СОЦИАЛЬНЫЕ...

transcript

Интеллектуальный фонд «Социотехника»Институт перспективных технологий

СОЦИАЛЬНЫЕ СЕТИ:моделирование временных

и квантовоподобных свойств

Новочеркасск«НОК»

УДК 004.7:316.77(063)ББК 32.973:202С 69

Редакционная коллегия:В.С. Чураков (председатель редакционной коллегии),

В.А. Вейник, Н.И.Гусев, П.Д.Кравченко, В.Е. Мешков, Ю.В. Никонов.

Рецензенты:Логинов В.Т., докт. техн. наук, профессор;Иванов С.А., канд. техн. наук, доцент.

С 69 Социальные сети: моделирование временных и квантово-подобных свойств: Сб. научн. трудов. / Под ред. В.С. Чуракова (Спецвыпуск серии «Библиотека времени»). – Новочеркасск: Изд-во ‹‹НОК››, 2015. – 97 с.ISBN 978-5-8431-0322-4

В тематический сборник «Социальные сети: моделирование временныхи квантовоподобных свойств» включены работы междисциплинарного ха-рактера, посвященные анализу социальных сетей онлайн. Сборник адресо-ван, прежде всего, специалистам, ученым и философам, работающим в дан-ных направлениях, а также всем читателям, интересующимся современнымсостоянием работ по изучению социальных сетей онлайн.

УДК 004.7:316.77(063)ББК 32.973:202

ISBN 978-5-8431-0322-4 © Коллектив авторов, 2015© Чураков В.С., составление и научная редакция, 2015

ВВЕДЕНИЕСтатьи сборника посвящены проблеме моделирования вре-

менных социальных сетей онлайн. Наука о сложных сетях за по-следние полтора десятка лет своего развития привлекла к себевнимание исследователей из физики и биологии, математики икомпьютерных наук, экономики и социологии. Наука о сложныхсетях в полном смысле этого слова междисциплинарна, она зани-мается исследованием реально существующих сетей и графов, об-ладающих нетривиальными топологическими свойствами. Фунда-ментом для изучения сложных, в том числе социальных сетей он-лайн является физика. В частности, важную концепцию «без-масштабных сетей» (scale-free networks) ввел физик Аль-берт-Ласло Барабаши. А исследовательница-физик ДжинестраБьянкони (Ginestra Bianconi) выяснила, что распределение связей-линков между точками безмасштабной сети можно описывать спомощью статистики Бозе – Эйнштейна, причем при определен-ных условиях наблюдается процесс, подобный фазовому переходусистемы в состояние «конденсата Бозе – Эйнштейна». Кроме это-го, в сложных сетях выявлены структуры (деревья Кэли), эволю-ция которых описывается статистикой Ферми – Дирака. Физики, втом числе и Бьянкони продолжают открывать все новые квантово-подобные свойства сложных сетей, которые используются, вчастности и для моделирования временных социальных сетей.

В последние годы все больший интерес исследователей при-влекают многослойные-мультиплексные сетевые структуры, кото-рые могут описывать несколько типов взаимодействия между од-ним и тем-же набором узлов сетей. Многие социальные сети, в ко-торых одни и те же люди-узлы сети могут быть связаны черезразные типы сетей, таких как сети дружбы, сотрудничества, соав-торства, родства хорошо описываются мультиплексными сетями.Физиками А.А. Ежовым, А.Ю. Хренниковым и С.С. Терентьевойпредложено моделирование методами статистической физикисложных социальных систем-сетей, состоящих из взаимодейству-ющих агентов с двумя этическими системами, описанными про-фессором Владимиром Лефевром. (Ежов А.А., Терентьева С.С.Исследования социального неравенства с помощью многоагент-ных моделей для различных типов сетей связей // Современные

исследования социальных проблем (электронный журнал). 2012,№4. – http://sisp.nkras.ru/e-ru/issues/2012/3/terentyeva.pdf).

В.Лефевра называют советско-американским ученым, основа-телем математической психологии, (в настоящее время он про-фессор в университете Ирвайна в США). Им было предложенопостроение двух этических исчислений, различающихся интер-претацией двух алгебраических операций – сложения и умноже-ния, трактуемых как конфронтация и компромисс между агента-ми, и наоборот. Аппарат алгебры Лефевра, описывающий 1-ю и2-ю этические системы, был применен для описания взаимодей-ствия агентов с лево- и правополушарными стратегиями. Ансам-бли левополушарных агентов следуют некоторому варианту ста-тистики Ферми-Дирака, а правополушарных – подчиняются ста-тистике Бозе-Эйнштейна. Приближенно это может трактоватьсякак наличие эффективного взаимного отталкивания левополушар-ных частиц-агентов и эффективного взаимного притяжения пра-вополушарных. Анализ критических явлений в системах агентовразных типов осуществляется авторами модели в процессекомпьютерного моделирования, при этом степень неравенствапредложения материального ресурса описывалась с помощью эф-фективной температуры, что позволяет использовать при анализесоциальных явлений методы квантовой статистики и физики низ-ких температур (последние соответствуют высокой степени нера-венства).

УДК 004.77:316.35

Элементы теории Лефевра и фазовые переходыв онлайновых социальных сетях

©Никонов Ю. В., Гусев Н.И., Чураков В.С., 2015Во всем мире растет интерес к изучению свойств онлайновых

социальных сетей в контексте информационного управления ипротивоборства [2]. Уже стал классическим пример использова-ния социальных сетей как составной части информационно-пси-хологического оружия – «оружия завтрашнего дня» [24], и«трансформации войны» [13] − информационного обеспечения«арабских сетевых революций». Если обратиться к соответствую-щей литературе, то это, прежде всего, хорошо известная класси-ка: «цветные революции», «Сунь-цзы» [12], «Стратегия непря-мых действий» [17], «Словарь тактической реальности» [1], до-полненная публикациями по философии, теории и практике ин-формационной войны [4; 22; 23]. (Заметим в скобках, что свойвклад в гуманитарную составляющую информационных техноло-гий внесли: Т.Адорно, М.Маклюэн, Ж.Бодрийар, Н.Луман, М.Ка-стельс, Ю.Хабермас, П.Бурдье, П.Вирильо, С.Жижек [10]. Ин-тересно так же отметить, что в фантастических произведениях (ив футурологических, что одно и то же), в которых полным-полновсевозможных технических новинок, отсутствует даже намек начто-либо подобное онлайновым социальным сетям. Напротив,онлайновые социальные сети стали вводиться в фантастическиепроизведения авторами уже после их появления и распростране-ния).

По данным средств массовой информации именно использо-вание сетей Twitter и Facebook, обеспечило лавинообразный ростпротестующих в январе 2011 года в Египте. Несмотря на организо-ванное властями отключение этих сетей пользователи частичноперешли на использование других сетевых ресурсов, мобильныхприложений, «смс» и сетевых «зеркал» − и продолжили взаимо-действие.

В Ливии нашла коса на камень: так, «Путник» − putnik1(имя в живом журнале) печатает постоянно информацию, близ-кую к истине − в общем, «за Каддафи». Одна из последних запи-сей: «Поскольку информационно-психологическое оружие будет,− да и, в общем, уже есть, − одним из основных инструментов ве-

дения войн ХХI века, рассказ специалиста о том, что такое этотновый род войск вообще и анализ (на примере Ливии) его практи-ческого применения, могут заинтересовать как тех, кому еще хо-чется думать, так и стоящих в списке на отстрел. Настоятельнорекомендую всем. А в первую голову, дорогие российские френ-ды и не френды, вам. Хотя ваш номер и не следующий». Здесьнеобходимо отметить следующее: в недавно вышедшей моногра-фии Б.Ю. Кагарлицкого «От Империй − к империализму» [11] –выявлено, что т.н. называемым «цивилизованным странам»(это страны Западной Европы и США) присуща постоянная мо-дернизация: технологий и социально-управленческих технологий(технологический и организационный уровни должны гармонич-но взаимодействовать друг с другом. Поэтому невозможно меха-нически скопировать и перенести куда-либо подобную модель.Иными словами, это ни что иное, как диалектика взаимодействиябазиса и надстройки). Кто вырывается вперёд − тот и доминирует,пока его не догонят (классический пример: организация немецкойтанковой дивизии образца 1934 года). В случае примененияонлайновых социальных сетей, используемых в качестве разно-видности информационного оружия, отчетливо просматриваетсята же тенденция. Актуальность данной тематики логично при-водит к росту публикаций [19; 25; 27; 28].

Онлайновые социальные сети – частный случай социальныхсетей, которые подчиняются закономерностям, присущим всемсетям. Под социальной сетью [2] понимают наличие социальнойструктуры, состоящей из узлов (обычно это лица или организа-ции), которые связаны одним или более типами взаимозависимо-сти, такими, как ценности, взгляды, мнения, идеи, дружба, финан-совые взаимоотношения, конфликты, торговля и так далее. Спе-циалисты в сфере социальных сетей оперируют терминами«узлы» и «связи». Узел – это отдельный актор в пределах этойсети, связи – это отношения между узлами. Модели социальныхсетей могут быть отнесены к сложным: они включают в себя са-мые разные уровни связей от семейных до национальных и обще-человеческих. Важно, что существует ряд сетей, систем, в кото-рых нарушаются классические законы вероятности. Например, кним относятся контекстуально-зависимые адаптивные системы.Так, авторы статьи [30] представили новую математическую фор-мулу для вычисления вероятности в таких системах, с помощью

понятия адаптивной динамики и квантовой теории информации.Основные примеры контекстуально-зависимых явлений могутбыть найдены в квантовой физике, но в последнее время подоб-ные явления, с квантовоподобными (КП) свойствами были обна-ружены в [5; 20; 21] процессах, изучаемых биологами, социолога-ми, экономистами, лингвистами, психологами, психиатрами и т.д.Моделирование КП процессов возможно с помощью процессовквантовых, которые описываются тождественными математиче-скими закономерностями. Разрабатываемые в настоящее времяквантовые компьютеры предназначены и для моделированияиных квантовых и КП состояний [5;6;29].

Квантовые вычисления [6;29;41] считаются перспективнымнаправлением, способным кардинально расширить возможностисовременных компьютеров, привести к созданию «квантового»интернета. Однако до сих пор большинству исследовательскихгрупп удалось получить квантовые системы лишь со считаннымикубитами, которые имеют чисто научную ценность. (Хотя 11 мая2011 года канадская компания D-Wave объявила о начале продаж«первого в мире коммерчески доступного квантового компьютера»D-Wave One. D-Wave выбрала для своих разработок модель «адиа-батического» квантового компьютера, не требующего индивиду-ального контроля над отдельными кубитами и потому более про-стого в реализации) [34]. Значительная часть теоретиков квантово-го компьютинга, в том числе Девид Дойч [6], придерживаютсямногомировой интерпретации квантовой механики, в основе кото-рой лежит идея о необходимости и возможности рассмотрения на-блюдателем совокупности альтернативных образов Реальности [9].

А.А. Ежовым и А.Ю. Хренниковым предложено [7;36;37;38]моделирование методами статистической физики и нахождениеравновесных состояний в социальных сетях, состоящих из взаи-модействующих агентов с различными профилями функциональ-ной асимметрии головного мозга (ФА ГМ). Гипотеза о связи эти-ческих систем по В. Лефевру [16] (Рис.1) с доминантностью по-лушарий головного мозга позволила использовать теорию ре-флексивных структур в социальных моделях вообще и в моделяхсоциальных сетей в частности [7]. Согласно гипотезе агенты мо-дели – это люди, которые работают, общаются, создают ценностии обмениваются ими. Причем, агенты стремятся сохранить свойфизический и ментальный ресурс. При обмене они могут удержи-

вать часть имеющегося ресурса и обладать памятью. По условияммногоагентной модели [7] существуют лишь две разумные страте-гии принятия решений. 1. Абсолютный конформизм и неизменноесогласие на получение материального ресурса, в надежде, чтопредложения ресурса не будут часто противоречить профессио-нальной самоидентификации агента. 2. Абсолютный профессио-нальный консерватизм и сохранение материального ресурса, в на-дежде, что предложение материального ресурса будет происхо-дить достаточно часто и не будет противоречить профессиональ-ной самоидентификации агента. Эти две стратегии могут бытьпредставлены в виде булевых функций в экспоненциальной фор-ме, выражающей функцию импликации:

b a ab a bДля левополушарной стратегии такая форма имеет вид:(a) aa a ,Для правополушарной:(a) aa 1 .(Здесь а = 1, если среда предлагает материальный ресурс

без смены профессии, и а = 0, со сменой. Функция (a) 1,если агент остается в прежней профессиональной нише, и(a) 0, если он намеревается ее сменить).

Причем, с учетом того, что формально – логические операциихарактерны для левого полушария головного мозга, случай, где впоказателе экспоненты стоит логическое отрицание, будет соот-ветствовать левополушарной стратегии. Случай функции, не име-ющей в показателе экспоненты такой операции, будет соответ-ствовать правополушарной стратегии.

Двум базовым стратегиям агентов соответствуют две кванто-вые статистики (Бозе – Эйнштейна и Ферми – Дирака). Две кван-товые статистики основываются на наличии притяжения и оттал-кивания агентов. Конкурентная среда у левополушарных людейотражена в модели в отталкивании фермионов, а кооперация пра-вополушарных соотносится с притяжением бозонов. Две базовыестратегии агентов определяют и два возможных прогноза (перси-стентность и антиперсистентность) [18].

Агент модели имеет две доминирующие цели – выжить (ориен-тация на потребление материального ресурса) и остаться человеком(ориентация на сохранение самоуважения, профессионализма).

Таким образом, историю агента можно представить в видетрехсимвольной последовательности. Исходя из допущения, чтомозг работает только с бинарными кодами, трехсимвольные по-следовательности (из чисел 1, 2 и 3) проектируются на бинарные.Из этого следует, что: 1) В каждом случае информация о событи-ях станет неполной; 2) Выбор бинарной кодировки станет неопре-деленным (Рис. 2).

Авторами модели проведено компьютерное моделированиеситуации, в котором агенты меняют свои свойства в результатефазового перехода. Если предложение ресурсов мало отличается вразных профессиональных нишах, то обе кодировки дополни-тельны для ансамблей обоих типов агентов. Если же распределе-ние материального ресурса достигнет высокой степени неравен-ства, то симметрия наборов памяти двух типов однородных аген-тов нарушится. В обществе с резко неравномерным предложени-ем материального ресурса, у агентов возникают специфическиедля них кодировки памяти. В контексте свойств социальных се-тей, степень неравенства предложения материального ресурса,это и степень неравенства возможностей доступа различных сло-ев населения к социальным сетям интернета (что подразумеваетналичие некоторого минимума доходов и образовательного уров-ня). Широко известно высказывание канадского теоретика комму-никаций и пророка «электронной эпохи» Маршалла Маклюэна:«Вначале мы формируем технологии, а потом они формируютнас». В этом контексте интересно высказанное Михаилом Будара-гиным в газете «Взгляд» (24.06.2009) заведомо упрощенное, спор-ное положение о существовании в России «двух биологическихвидов», «двух стран» – «людей телевизора» и «людей интернета»,с резко различными политическими взглядами, образами мира,обусловленными использованием различных информационныхресурсов.

В.А. Геодакяном [3] предложена эволюционная теория асим-метризации организма, мозга и парных органов. Теория объясня-ет с единых позиций многие явления, связанные с асимметрией встроении человека и животных. Эволюция мужского пола и лево-го полушария начинается и кончается раньше, чем соответствен-но женского пола и правого полушария. Новые функции в фило-генезе появляются сначала в генотипе мужского пола, потом пере-даются женскому, а центры управления ими появляются сначала в

левом полушарии, а потом перемещаются в правое. Критерий ло-кализации функций по полушариям – их эволюционный возраст:молодые функции управляются левым полушарием, а старые –правым. Левое полушарие, мужской пол сопряжены с оператив-ной подсистемой обработки информации. Правое полушарие,женский пол сопряжены с консервативной подсистемой обра-ботки информации. Теория Геодакяна позволяет установить связьФА ГМ, асимметрии рук, и других парных органов с полом, онто-генезом и филогенезом и успешно предсказывать новые факты.Понятие «экологической ниши» по Геодакяну имеет смысл нетолько для живых систем, но и для любых, в том числе социаль-ных (очевидна аналогия с «профессиональной нишей» в много-агентной модели). Экологическую нишу можно характеризовать содной стороны числом факторов среды, к которым система чув-ствительна – мерность ниши, с другой стороны величиной диапа-зона существования системы по данному фактору – ширинаниши. Факторами экологической ниши являются и параметры ин-тенсивности (потенциалы) – температура, давление и различныеконцентрации (химических веществ, хищников, жертв, особейсвоего вида и т.д.). Например, при алкогольной зависимости нишастановится одномерной, так как в этой ситуации основным факто-ром среды, к которому система чувствительна, становится доступк алкоголю. Живая система, взаимодействуя со средой, можетадаптироваться (в широком смысле этого слова) – и изменитьсвою экологическую нишу, что соответствует, например, фазово-му переходу в многоагентной модели, в том числе и в динамикесоциальных сетей [21].

Согласно Владимиру Лефевру, ментальные феномены – видсуществования термодинамических характеристик нейронных се-тей, проводящих вычислительные процессы. Связь между каким-либо ментальным процессом и функционированием реальныхнейронных сетей подобна связи между температурой некоторогообъема газа и конкретным индивидуальным движением состав-ляющих его частиц. Он пишет об успешном применении моделиИзинга, созданной для теоретического представления физическихпроцессов, протекающих в твердых телах, для описания вычисле-ний в формальных нейронных сетях. Важно, что модель Изингаприменяется и в моделях социальных сетей [8;16;39].

Лефевр [16] создал формальную модель субъекта, совершаю-щего выбор одной из двух полярных альтернатив – «биполярныйвыбор». Анализ этой модели позволил вскрыть формальную связьмежду рефлексией и функционированием нейронных сетей, закона-ми термодинамики. «Формула человека» В. Лефевра выглядит сле-дующим образом:

Х1 = х1 + (1–х1)(1–х2)х3.Х1 – определяется как вероятность, с которой субъект выби-

рает позитивный полюс («добро») в реальности – например, «до-бром» может быть решение выйти с протестом против власти наплощадь; х1 – отражает воздействие на субъекта мира; х2 соот-ветствует субъективному образу этого воздействия, а переменнаях3 представляет интенцию субъекта. Переменные х1 и х2 опреде-лены на интервале [0,1] и не зависят от переменной х3, котораяможет принимать любое значение из интервала [0,1]. Если Х1= х3(при х1 + х2 > 0), то: Х1 = х1/( х1 + х2 – х1х2) – реалистическийвыбор в терминологии Лефевра. Значение готовности субъекта ге-нерируется блоком нейронов, в котором возникают кратковремен-ные равновероятные связи между произвольными парами нейро-нов. Каждый нейрон может находиться в одном из двух состоя-ний: позитивном или негативном. Готовность субъекта выбратьпозитивный полюс равна доле позитивных нейронов в сети.Предполагается распространить этот подход на социальную сеть,где функцию нейрона будет выполнять агент сети, а «готовностисубъекта» к выбору соответствует состояние сети в целом, кото-рое, в частности, может обеспечить или не обеспечить массовостьвыступлений протеста.

Кроме того, зная психологию «жителей Интернета» [14] ииспользуя теорию рефлексивных игр В.А.Лефевра по отношениюк онлайновым социальным сетям, можно «предсказывать индиви-дуальный выбор субъекта, входящего в группу, и исследоватьвозможности управления этим выбором» [15]. Что формируетсетевую власть и дает ей эффективные рычаги управления [26].

Как уже упоминалось, существуют различные системы, какквантовые, так и классические, чье состояние равновесия описы-вается квантовыми статистическими распределениями [32;37].Если допускается взаимопревращение бозонов и фермионов (внашем случае оно в точности соответствует переключению доми-нантности полушарий), то система состоящая из бозонов и фер-

мионов будет иметь функцию статистического распределенияанионов [32;42]. На уровне популяции, сети взаимодействующихбольных алкогольной зависимостью в контексте многоагентноймодели Ежова и Хренникова эта гипотеза применена в моделиро-вании динамики ФАГМ при алкогольной зависимости [20;21].

Поведение многотысячных толп людей, вышедших на площадьсвоей столицы в результате использования сетевых технологий содной кооперативной стратегией поведения, вероятно, можетрассматриваться как поведение множества бозонов с соответствую-щей статистикой.

Смешанную квантовую статистику демонстрируют негомо-генные сложные сети с различными свойствами узлов [37;38].Дж. Бьянкони [32;33], Бьянкони и Барабази [31] показали, что ста-тистика Бозе – Эйнштейна описывает и растущую (путем добав-ления и удаления новых узлов) интернет – сеть. Деррида и Лебо-виц обнаружили [35] при рассмотрении асимметричных процес-сов исключения на кольце с N сайтами и p частицами, что Бозе –Эйнштейновская конденсация может возникать в классическихсистемах, далеких от теплового равновесия. Существенным усло-вием для появления подобного распределения является то, что вданном случае случайная миграция частиц в пространстве им-пульсов зависит от степени занятости состояний этого про-странства. Это типично для многих нелинейных систем. Бьянкониобнаружила, что растущее дерево Кели, имеющее качественно раз-личные узлы и тепловой шум, описывается статистикой Ферми –Дирака [32]. При математическом моделировании изменяющихсясетей, в том числе эволюционирующих популяций, имеющих и неимеющих разделение по половому признаку, ей найдены глубокиесвязи между математикой биологической эволюции и формализмомквантовой механики. Ей же установлено что распределения Бозе –Эйнштейна и Ферми – Дирака, как частные случаи эволюциониру-ющих сетей, описывают стационарные состояния биологическихпопуляций в простых случаях. Математические модели Дж. Бьян-кони [33] могут быть полезными и для формализации динамики со-циальных сетей.

В последнее время усиленно изучаются (теоретически ипрактически) неабелевы анионы [41;29] (к ним относятся анионыФибоначчи и анионы Изинга), для коллективных состояний кото-рых возможны фазовые квантовые переходы. Анионы – квазича-

стицы, «топологические солитоны», «возбуждения», «вихри», в 2– мерной (2-D) системе сильно скоррелированных электронов, на-ходящихся в мощном магнитном поле, при температуре, близкойк абсолютному нулю. Квазичастицы предполагается использоватьдля создания топологических квантовых компьютеров, которыесмогут, в частности, моделировать иные квантовые и квантово-подобные состояния (предложено Алексеем Китаевым в 1997году) [41; 29].

Рис.1. В.А. Лефевр.

Многоагентная модель А.А. Ежова и А.Ю. Хренникова –частный случай эволюционирующей сети, применимый к дина-мике социальных сетей, в том числе ─ сетей интернета [7]. Со-гласно их модели, в обществе с резко неравномерным предложе-нием материального ресурса, у агентов возникают специфическиедля них кодировки памяти. Неравенство доступа к интернет-ре-сурсам – онлайновым социальным сетям может, в соответствии сданными Ежова и Хренникова вести к фазовому переходу с рез-ким сдвигом установок, поведения масс людей. Социальные сетимогут иметь КП свойства статистик Бозе – Эйнштейна, Ферми –Дирака, анионов. Предполагается с целью моделирования некото-рых КП аспектов социальных сетей использовать математическийаппарат топологических квантовых фазовых переходов квазича-стиц в 2-D системах (что возможно при помощи «обычных», не-квантовых компьютеров).

При высоких температурах (низкая степень неравенства) ко-дировка историй лево- и правополушарных агентов симметричнаи дополнительна (слева).

При низких температурах (высокая степень неравенства)только кодировка правополушарных агентов эквивалентна допол-нительной кодировке левополушарных агентов (справа), но ненаоборот (происходит фазовый переход).

AR=SG SG=AR

Симметрия кодировок

AR=SG SG≠AR

Появление специфичныхкодировок

Рис. 2.

Литература

1.Беккер К. Словарь тактической реальности: Культурная ин-теллигенция и социальный контроль/Пер. с англ.О.Киреева.− М.:Ультра.Культура, 2004. −224с.

2. Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социаль-ные сети: модели информационного влияния, управления и про-тивоборства. – М.: Физматлит, 2010. – 228 с.

3. Геодакян В.А. Эволюционные теории асимметризации ор-ганизмов, мозга и тела //Успехи физиологических наук. 2005. Т.36. № 1. – (С. 24 - 53).

4.Гриняев С. Н. Поле битвы – киберпространство: Теория,приемы, средства, методы и системы ведения информационнойвойны.− Минск: Харвест, 2004.− 448с.

5. Данилов В.И. Моделирование некоммутирующих измере-ний//Журнал новой экономической ассоциации. 2009. № 1– 2. –(С. 10 - 36).

6. Дойч Д. Структура реальности.− Ижевск: НИЦ «Регуляр-ная и хаотическая динамика», 2001. – 400 с.

7. Ежов А.А., Терентьева С.С. Асимметрия мозга, неравенствои многоагентные модели //Современные направления исследова-

ний функциональной межполушарной асимметрии и пластично-сти мозга. Материалы Всероссийской конференции с междуна-родным участием.− М.: Научный мир, 2010. – (С. 20 - 24).

8. Згуровский М.З., Померанцева Т.Н. Методы принятия ре-шений в социальных системах на основе спиновых моделейИзинга//Проблемы управления и информатики. 1995. № 1. – (С.89 - 97).

9. Ильичев Л.И. Трудности онтологической концепции кван-тового состояния при наличии причинных петель. Сайт МЦЭИhttp://www.everettica.org/news.php3

10.Информационная эпоха: вызовы человеку/под ред. И.Ю.А-лексеевой и А.Ю. Сидорова. − М.: Российская политическая эн-циклопедия (РОССПЭН), 2010.− 335с.

11.Кагарлицкий Б.Ю. От империй − к империализму. Государ-ство и возникновение буржуазной цивилизации. − М.: Издат. домГос.ун-та − Высшей школы экономики, 2010. − 680с.

Кара-Мурза С.Г., Александров А.А., Мурашкин С.А. Оранже-вая мина.− М.: Алгоритм, 2008. − 240с.

12.Китайская военная стратегия/Сост., пер., всуп. Ст. и ком-мент.: В.В.Малявинина.− М.: ООО «Издательство: ООО «Изда-тельство АСТ», 2004.− 432с.

13.Кревельд М. Трансформация войны/Пер. с англ. −М.:ИРИСЭН, Мысль. 2011. − 344с.

14.Кузнецова Ю.М., Чудова Н.В. Психология жителей Интер-нета.− М.: Издательство ЛКИ, 2008. − 224с.

15.Лефевр В.А. Лекции по теории рефлексивных игр.− М.:«Когито-Центр», 2009. – 218с.

16. Лефевр В.А. Рефлексия. – М.: «Когито-Центр», 2003. –496 с.

17.Лиддел - Гарт Б. Стратегия непрямых действий/Пер. Сангл.− М.: Эксмо; Мидгард, 2008.

18. Марков А.А. Некоторые фрактальные свойства фондовыхиндексов// Сегодня и завтра российской экономики. 2009. №30. –(С. 103 - 112).

19.Муромцев Д.И., Малинин А.А., Быков Д.П. Опыт при-менения социальных сетей для поддержки процессов проектно-го менеджмента//Труды Конгресса по интеллектуальным и ин-формационным технологиям «AIS-ITʼ10». Научное издание в 4-х томах. − М.: Физматлит, 2010. Т. 2.− 494с.

20. Никонов Ю.В. Межполушарная асимметрия головногомозга и квантовые статистики при алкогольной зависимости //Асимметрия. 2010. Т. 4. № 1. – (С. 12 - 23).

21. Никонов Ю.В. Квантовые статистики и время при алко-гольной зависимости //Формы и смыслы времени (философский,теоретический и практический аспекты изучения времени): сб.научн. тр./под ред. В.С.Чуракова (серия «Библиотека времени».Вып. 7) – Новочеркасск: Изд-во ‹‹НОК››, 2010. – (С. 379 - 390).

22.Почепцов Г.Г. Информационные войны.− М.: «Рефл-бук»,К.: «Ваклер», 2000.− 576с.; Почепцов Г.Г.Революция. com. Основыпротестной инжененерии. М.: Издательство «Европа», 2005.

23.Растрогуев С.П. Философия информационной войны.− М.:Московский психолого-социальный институт, 2003.− 496с.

24.Ромашко С. Оружие завтрашнего дня/2//Логос.2003.№1 (36). Спецвыпуск «Война». – (с.4-9).

25.Сорокина Е., Федотченко Ю., Чебаненко К. В социаль-ных сетях. Twitter – 140 символов самовыражения.− СПб.: Питер,2011. −144с.: ил.

26.Хардт М., Негри А. Империя/Пер. с англ., под ред. Г.В.Ка-менской, М.С.Фетисова.− М.: Праксис, 2004.− 440с.

27.Штайншаден Я. Социальная сеть. ФеноменFacebook/Пер. с нем. Н.Фрейман.− СПб: Питер, 2011.− 224с.

28.Control + Shift: Сборник статей.− М.: Новое литературноеобозрение, 2009. − 336 с., ил.

29. Alicea J, Oreg Y., Refael G., von Oppen F. and Fisher M. P. A.Non-Abelian statistics and topological quantum computation in 1Dwire networks. arXiv:1006.4395v1.

30. Asano M., Basieva I., Khrennikov A., Ohya M., Yamato I.A general quantum information model for the contextual dependentsystems breaking the classical probability law. arXiv:1105.4769v1

31. Bianconi G., Barabasi A.– L. // Phys. Rev. Lett. – 86, 2001. –P. 5632.

32. Bianconi G. Quantum statistics in complex networks // Phys.Rev., E 66, 2002. – P. 056123.

33. Bianconi G., Raymede Ch. Quantum mechanical formalismfor biological evolution. arXiv:1011.1523v1.

34. D-Wave Systems sells its first Quantum Computing System toLockheed

Martin. May 25, 2011 // Corporation/http://www.dwavesys.com/en/pressreleas.httl

35. Derrida B., Lebowitz J. L. // Phys. Rev. Lett. – 80, 1998/ –P.209.

36. Ezhov A. A., Khrennikov A. Yu. Agents with Left and RightDominant Hemispheres and Quantum Statistics. // Phys. Rev. E 71,2005. – P. 016138.

37. Ezhov A. A., Khrennikov A. Yu. On ultrametricity andsymmetry between Bose-Einstein and Fermi-Dirac systems // AIPConf. Proc.,– 826, issue 1, 2006. – P. 55–64.

38. Ezhov A. A., Khrennikov A. Yu., Terentyeva S.S. Indicationsof a possible symmetry and its breaking in a many-agent modelobeying quantum statistics// Phys. Rev., E 77, 3, 2008. – P. 031126.

39. Hooyberghsa H., Van Lombeeka S., Giuraniuca C., VanSchaeybroeck B. and Indekeua J. O. Ising model for distributionnetworks. 2011. arXiv:1105.5329v1

40.Perseguers S., Lewenstein M., Acín A., Cirac J. I. Quantumrandom networks. Nature Physics, 2010; DOI: 10.1038/NPHYS1665

41. Trebst S., Ardonne E., Feiguin A., Huse D.A., LudwigA.W.W., Troyer M. Collective States of Interacting FibonacciAnyons // Phys. Rev. Lett. 101, 2008. – P. 050401– 050401-4.

42. Wung – Hong Huang. Boson-fermion transmutation and thestatistics of anyon. // Phys. Rev., E 51, 1995. – P. 3729 - 3730.

УДК [004.77:316.35]:303.09

Когнитивное моделирование на основе рефлексивных игр Лефевра

в онлайновых социальных сетях

©Никонов Ю. В., Чураков В.С., 2015 Когнитивистика (когнитивная наука) (лат. cognitio — позна-

ние) — определяется как междисциплинарное научное направле-ние, объединяющее теорию познания, когнитивную психологию,нейрофизиологию, когнитивную лингвистику и теорию искус-ственного интеллекта. Ключевым техническим достижением, сде-лавшим когнитивистику возможной, стали новые методы сканиро-вания мозга. Томография и другие методы впервые позволили за-глянуть внутрь мозга и получить прямые, а не косвенные данные оего работе. Наблюдаемый сейчас прогресс в когнитивистике сулитнадежды описать и объяснить процессы в мозгу человека, ответ-ственные за высшую нервную деятельность, что позволит создатьсистемы так называемого сильного искусственного интеллекта, ко-торый будет обладать способностями к самостоятельному обуче-нию, творчеству, свободному общению с человеком.

В философии искусственного интеллекта (ИИ) спор сильногоИИ (Джон Сёрль) против слабого ИИ развивается вокруг гипоте-зы о том, что некоторые формы искусственного интеллекта могутдействительно обосновывать и решать проблемы. Теория сильно-го ИИ предполагает, что компьютеры могут приобрести способ-ность мыслить и осознавать себя, хотя и не обязательно их мыс-лительный процесс будет подобен человеческому. Напротив, тео-рия слабого ИИ такую возможность напрочь отвергает.

Итак, поскольку когнитвная наука это область междисципли-нарных исследований познания, понимаемого как совокупностьпроцессов приобретения, хранения, преобразования и использо-вания знаний живыми и искусственными системами, то аппарат-ными и программными средствами для когнитивной науки, общи-ми для всех её областей, являются методы матмоделирования наоснове биоморфных нейронных сетей. В отличие от классическихнейросетей используются нейросети рекуррентные, модулярные,ассинхронные, с немонотонной активационной функцией и т.д. исоответственно, нейроморфный искусственный интеллект.

Когнитивное моделирование подразумевает учет когнитив-ных аспектов человеческой деятельности при решении задач опи-сания и управления слабоструктурированными объектами и си-туациями. Когнитивный анализ или когнитивный подход не сво-дится исключительно к применению когнитивных карт (частногослучая динамических систем) – взвешенных ориентированныхграфов. Важнейшим атрибутом когнитивного компьютерного мо-делирования являются когнитограммы, т.е. специальным образоморганизованная визуализация моделей, данных и результатов мо-делирования, ориентированная на максимальную активизациюобразно-интуитивных механизмов мышления. Самыми распро-страненными в настоящее время являются искусственные когни-тограммы, наиболее простым вариантом реализации которыхможно считать использование традиционной визуализации ре-зультатов в виде разнообразных графиков и диаграмм различнойразмерности [1]. (Рис 1).

Рассматриваемый в этой статье предмет исследования –когнитивное моделирование в онлайновых социальных сетях. Он-лайновые социальные сети – частный случай социальных сетей,которые подчиняются закономерностям, присущим всем сетям.Под социальной сетью [1] понимают наличие социальной струк-туры, состоящей из узлов (обычно это лица или организации), ко-торые связаны одним или более типами взаимозависимости, таки-ми, как ценности, взгляды, мнения, идеи, дружба, финансовыевзаимоотношения, конфликты, торговля и т.д. В настоящее времяшироко известны соцсети Facebook, Twitter, российские – «В кон-такте», «Одноклассники», «Мой Мир». Специалисты в сфере со-циальных сетей оперируют терминами «узлы» и «связи». Узел –это отдельный агент в пределах этой сети. Связи – отношениямежду узлами. Агент соцсети – человек, взаимодействующий стехнической системой, поведение которого в определенной степе-ни начинает зависеть от свойств сети и того сообщества, котороеон выбрал. Психофизиологические свойства, возможности чело-века лимитируют параметры, скорость обработки информации всети.

Существует ряд сетей, систем, в которых нарушаются класси-ческие законы вероятности. Например, к ним относятся контексту-ально-зависимые адаптивные системы. Так, авторы статьи [15]представили новую математическую формулу для вычисления ве-

роятности в таких системах, с помощью понятия адаптивной дина-мики и квантовой теории информации. А в статье [14] авторы на-ходят эквивалентность между квантовым и классическим описа-нием ряда сетевых топологий, которым соответствуют энтропияфон Неймана (квантовое описание) и энтропия Шеннона (класси-ческое описание). В сложной сети различные группы узлов могутсуществовать в течение разного количества времени, что имеетбольшое значение для выявления эволюционной истории сети.

Основные примеры контекстуально-зависимых явлений могутбыть найдены в квантовой физике, но в последнее время подобныеявления, с квантовоподобными (КП) свойствами были обнаруже-ны в [2; 8; 17; 18] процессах, изучаемых биологами, социологами,экономистами, лингвистами, психологами, психиатрами и т.д. Мо-делирование КП процессов (в том числе – характеристик социаль-ных сетей) возможно с помощью процессов квантовых, которыеописываются тождественными математическими закономерностя-ми. Пока для этого используют «обычные» компьютеры, но идетработа над компьютерами квантовыми, которые предназначены идля моделирования иных квантовых и КП состояний [13].

С 2007 года развивается русскоязычный ресурс «А-я-яй. ру»[http://iii.ru/about, 2011] [11] (компания «Наносемантика») – сайт,по утверждению авторов, с помощью которого можно создатьвиртуальных персонажей (инфов), которые понимают обычнуюречь (пока набранные на клавиатуре тексты). Применяемые тех-нологии позволяют учить инфов новым знаниям, придавать рас-познаваемые по их внешнему виду и речи нужные черты харак-тера. Для своего инфа можно выбрать внешний вид, обучить инфаотвечать на разнообразные вопросы, вынести его на свой сайт, вблог или социальную сеть. Инф может быть вторым «я» пользова-теля, которое разговаривает в блоге, пока нет «хозяина», а можетбыть помощником: секретарём, консультантом в Интернет-мага-зине, сотрудником службы техподдержки. Сеть инфов – своеоб-разная модель соцсети – инфы общаются друг с другом, выстраи-вают рейтинги предпочтений и т.д. Постоянно проводится работапо развитию проекта: становится больше «рас» и модификацийинфов, воплощения инфов для разных социальных сетей, работаинфов в ICQ и других мессенджерах, соревнования инфов по уме-нию вести дискуссию, автоматическое обучение по текстам и веб-страницам, функции переводчиков, энциклопедистов.

Возможно, за этим направлением развития сетей (развитиетенденции к множественному, все более сложному представле-нию личности) – большое будущее. Пока проект «А-я-яй. ру» бо-лее востребован детьми и подростками в игровых целях, но ипервый полет братьев Райт мало походил на перелет через океансовременного авиалайнера. (Рис 2).

По мнению Сергея Переслегина фазовый переход человече-ского общества (преодоление постиндустриального барьера) мо-жет пройти по самому человеку, внутри его личности. Так архаи-ческое сознание воспитанного в традиционном обществе боевика,в сочетании с использованием Интернет-технологий, социальныхонлайновых сетей, спутникового телефона, системы ориентации,наведения и т.д. может таить много сюрпризов [10].

А.А. Ежовым и А.Ю. Хренниковым предложено [3; 17; 18;19] (Рис. 3) моделирование методами статистической физики инахождения равновесных состояний в социальных сетях, состоя-щих из взаимодействующих агентов с различными профилямифункциональной асимметрии головного мозга (ФА ГМ). Гипотезао связи этических систем по В.А. Лефевру [6; 7] с доминантно-стью полушарий головного мозга позволила им использовать тео-рию рефлексивных структур в социальных моделях вообще и вмоделях социальных сетей в частности [3]. Согласно гипотезеагенты модели – это люди, которые работают, общаются, создаютценности и обмениваются ими. Причем, агенты стремятся сохра-нить свой физический и ментальный ресурс. При обмене они мо-гут удерживать часть имеющегося ресурса и обладать такой, свя-занной со временем характеристикой, как память. Двум базовымстратегиям агентов соответствуют две квантовые статистики(Бозе – Эйнштейна и вариант статистики Ферми – Дирака). Двеквантовые статистики основываются на наличии притяжения иотталкивания агентов. Конкурентная среда у левополушарных лю-дей отражена в модели в отталкивании фермионов, а кооперацияправополушарных соотносится с притяжением бозонов. Самовоз-действие агентов формально приводит к смене их доминантности.Такая же смена может быть естественно введена в модель в слу-чае, когда используемая агентом стратегия должна быть немедлен-но изменена из-за возникновении риска потери того из ресурсов,на сохранение которого данная стратегия не ориентирована [3].

В.А. Лефевром введено понятие рефлексивных игр, описыва-ющих взаимодействие субъектов (агентов), принимающих реше-ния на основании иерархии представлений о существенных пара-метрах, представлений о представлениях и т.д. Рефлексивныеигры дают возможность моделировать поведение рефлексирую-щих субъектов. Построение и анализ формальных моделей ре-флексивных игр позволяют с единых методологических позицийформулировать и решать задачи анализа и синтеза эффективныхинформационных воздействий в разных ситуациях коллективнойдеятельности. Язык графов рефлексивной игры является удобнымсредством единообразного описания эффектов рефлексии [7; 9].

Агент модели имеет две доминирующие цели – выжить (ори-ентация на потребление материального ресурса) и остаться чело-веком (ориентация на сохранение самоуважения, профессиона-лизма). Он совершает этический выбор. Существует модель игро-вого взаимодействия двух агентов, выбор которых из двух воз-можных альтернатив осуществляется с учетом двух аспектов:утилитарного и этического. Модель этического выбора можетописываться в рамках рефлексивной игры (например, как взаимо-действие двух агентов с разными стратегиями или даже взаимо-действие двух агентов-субличностей одной личности) [9]. Такимобразом, историю агента можно представить в виде трехсимволь-ной последовательности. Исходя из допущения, что мозг работаеттолько с бинарными кодами, трехсимвольные последовательности(из чисел 1, 2 и 3) проектируются на бинарные. Из этого следует,что: 1) В каждом случае информация о событиях станет непол-ной; 2) Выбор бинарной кодировки станет неопределенным. Ав-торами модели проведено компьютерное моделирование и вычис-ление некоторых ультраметрических свойств пространств исто-рий агентов, характеризующих их иерархичность (с визуализаци-ей результатов). Выяснено, что агенты меняют свои свойства в ре-зультате нетривиального фазового перехода. Если предложениересурсов мало отличается в разных профессиональных нишах, тообе кодировки дополнительны для ансамблей обоих типов аген-тов. Если же распределение материального ресурса достигнет вы-сокой степени неравенства, то симметрия наборов памяти двухтипов однородных агентов нарушится. В обществе с резко нерав-номерным предложением материального ресурса, у агентов воз-никают специфические для них кодировки памяти, то есть появ-

ляются две несовпадающие истории событий [3]. Представляется,что многоагентная модель может описывать и фазовый переходчеловечества в новое «постсингулярное» состояние. Причем этотпереход совершит именно часть человечества, значительное коли-чество останется на уровне прежней фазы развития.

Согласно Владимиру Лефевру, известному и как автор моно-графии «Космический субъект» [6] (Рис. 4), ментальные феномены– вид существования термодинамических характеристик нейрон-ных сетей, проводящих вычислительные процессы. Связь междукаким-либо ментальным процессом и функционированием реаль-ных нейронных сетей подобна связи между температурой некото-рого объема газа и конкретным индивидуальным движением со-ставляющих его частиц. Он пишет об успешном применении моде-ли Изинга, созданной для теоретического представления физиче-ских процессов, протекающих в твердых телах, для описания вы-числений в формальных нейронных сетях. Существенно, что мо-дель Изинга применяется и в моделях социальных сетей [4; 20].

Негомогенные сложные сети с различными свойствами узлов[17] демонстрируют смешанную квантовую статистику (статисти-ку анионов). Дж. Бьянкони [15; 16], Бьянкони и Барабази [14] по-казали, что статистика Бозе – Эйнштейна описывает и растущую(путем добавления и удаления новых узлов) Интернет-сеть. Приматематическом моделировании изменяющихся сетей, в том чис-ле эволюционирующих популяций, имеющих и не имеющих раз-деление по половому признаку, ей найдены глубокие связи междуматематикой биологической эволюции и формализмом квантовоймеханики. Ей же установлено что распределения Бозе – Эйнштей-на и Ферми – Дирака, как частные случаи эволюционирующих се-тей, описывают стационарные состояния биологических популя-ций в простых случаях. Математические модели Дж. Бьянкони[15; 16] могут быть полезными и для формализации динамики со-циальных сетей, возможного перехода их в «постсингулярное»состояние.

В последнее время усиленно изучаются (теоретически ипрактически) неабелевы анионы [12] (к ним относятся анионыФибоначчи и анионы Изинга), для коллективных состояний кото-рых возможны фазовые квантовые переходы. Анионы – квазича-стицы, «топологические солитоны», «возбуждения», «вихри», в 2– мерной (2-D) системе сильно скоррелированных электронов, на-

ходящихся в мощном магнитном поле, при температуре, близкойк абсолютному нулю. Квазичастицы предполагается использоватьдля создания топологических квантовых компьютеров, которыесмогут, в частности, моделировать иные квантовые и квантово-подобные состояния.

Многоагентная модель А.А. Ежова и А.Ю. Хренникова –частный случай эволюционирующей сети, применимый к дина-мике социальных сетей, в том числе – сетей интернета [21]. Со-гласно их модели, в обществе с резко неравномерным предложе-нием материального ресурса, у агентов возникают специфическиедля них кодировки памяти. Неравенство доступа к Интернет-ре-сурсам – онлайновым социальным сетям может, в соответствии сданными Ежова и Хренникова, вести к фазовому переходу с рез-ким сдвигом установок поведения масс людей. Социальные сетимогут иметь КП свойства статистик Бозе – Эйнштейна, Ферми –Дирака, анионов. Предполагается с целью моделирования некото-рых КП аспектов социальных сетей использовать математическийаппарат топологических квантовых фазовых переходов квазича-стиц в 2-D системах (что возможно при помощи «обычных», не-квантовых компьютеров). Возможно, именно в этой сфере опти-мально моделирование перехода к когнитивной, постсингулярнойфазе развития человеческого общества.

Модель Ежова-Хренникова – возможная формализация этихпроцессов. Изучение квантовоподобных свойств, переменной то-пологии психики и социальных сетей важны для более глубокогопонимания природы человека, перспектив его развития. Социаль-ные сети могут послужить основой для организации рефлексив-но-активных сред инновационного развития с соответствующимитехнологиями. Социальные сети – частный случай активных срединновационного развития, ориентированных на множественныераспределенные источники инноваций. Вышеуказанные положе-ния, кроме теоретического значения могут послужить вкладом вфундамент VII социогуманитарного технологического уклада вРоссии (в настоящее время идет подготовка к переходу к VI тех-нологическому укладу – внедрение нано-, био-, информационныхи когнитивных технологий). В том числе, это развитие тенденциик множественному представлению личности в сетях с квантово-подобными свойствами. По мнению В.А. Лепского [5] (Рис. 6),есть серьезные основания полагать, что технологиями седьмого

технологического уклада будут социогуманитарные технологии ив первую очередь − технологии формирования новых форм жиз-недеятельности, конструирования социальной реальности. Воз-можно, это произойдет, наряду с иными изменениями, в результа-те фазового перехода ныне существующих социальных сетей, вы-хода на первый план малоизвестных широкому кругу Интер-нет-технологий типа технологии «инфов».

Рис.1. Пример когнитивной карты:Фрагмент аргументационной схемы по проблеме Фестского

диск: когнитограмма гипотезы о возможности использования дис-ка в качестве звездных часов.

Рис. 2. Инфы

Ежов А.А. Хренников Ю.А.

Рис.3

Лефевр В.А.

Рис. 5.

Джинестра Бьянкони

Рис.6.

Лепский В.А.

Рис.4.

1.Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальныесети: модели информационного влияния, управления и противо-борства. – М.: Физматлит, 2010. – 228 с.

2. Данилов В.И. Моделирование некоммутирующих измере-ний // Журнал новой экономической ассоциации. 2009. № 1– 2. –(С.10 - 36).

3. Ежов А.А., Терентьева С.С. Асимметрия мозга, неравен-ство и многоагентные модели//Современные направления иссле-дований функциональной межполушарной асимметрии и пла-стичности мозга. Материалы Всероссийской конференции с меж-дународным участием.− М.: Научный мир, 2010. – (С.20 - 24).

4. Згуровский М.З., Померанцева Т.Н. Методы принятия ре-шений в социальных системах на основе спиновых моделейИзинга //Проблемы управления и информатики. 1995. № 1. –(С.89 - 97).

5. Лепский В. Е. Рефлексивно-активные среды инноваци-онного развития. – М.: Изд-во «Когито-Центр», 2010. – 255 с.

6. Лефевр В.А. Рефлексия. – М.: «Когито-Центр», 2003. – 496 с.7. Лефевр В.А. Лекции по теории рефлексивных игр. − М.:

«Когито-Центр», 2009. – 218с. 8. Никонов Ю.В. Квантовые статистики и время при алко-

гольной зависимости //Формы и смыслы времени (философский,теоретический и практический аспекты изучения времени): сб.научн. тр./под ред. В.С.Чуракова (серия «Библиотека времени».Вып. 7) – Новочеркасск: Изд-во ‹‹НОК››, 2010. – (С. 379- 390).

9. Новиков Д.А., Чхартишвили А.Г. Рефлексивные игры. – М.:СИНТЕГ, 2003. – 160 с.

10. Переслегин С., Преслегина Е. Война на пороге. Гильбер-това пустыня.−М.: Изд-ва Эксмо, Яуза, 2007. – 664 с.

11. Сайт http://iii.ru/about.12. Alicea J., Oreg Y., Refael G., von Oppen F. and Fisher M. P.

A. Non-Abelian statistics and topological quantum computation in 1Dwire networks. 2010. arXiv:1006.4395v1.

13. Asano M., Basieva I., Khrennikov A., Ohya M., Yamato I. Ageneral quantum information model for the contextual dependentsystems breaking the classical probability law. 2011.arXiv:1105.4769v1

14. Bianconi G., Barabasi A. – L. // Phys. Rev. Lett. – 86, 2001.– P. 5632.

16. Bianconi G., Raymede Ch. Quantum mechanical formalismfor biological evolution. 2010. arXiv:1011.1523v1.

17. Ezhov A. A., Khrennikov A. Yu. Agents with Left and Right

Dominant Hemispheres and Quantum Statistics. // Phys. Rev. E 71,2005. – P. 016138.

18. Ezhov A. A., Khrennikov A. Yu. On ultrametricity andsymmetry between Bose-Einstein and Fermi-Dirac systems // AIPConf. Proc. – 826, issue 1, 2006. – P. 55– 64.

21. Perseguers S., Lewenstein M., Acín A., Cirac J. I. Quantumrandom networks. Nature Physics, 2010; DOI: 10.1038/ NPHYS 1665

УДК 519.17

Моделирование временных социальных сетей(аналитический обзор литературы)

©Никонов Ю.В., Чураков В.С., 2015 Введение. Представляемая работа – аналитический обзор

современной англоязычной литературы по заявленной в статье«Темпоральность в онлайновых социальных сетях» теме (сбор-ник научных трудов «Время и информация» под редакцией В.С.Чуракова за 2011 год) [102]. Исследование временных моделейсоциальных сетей, их характерных особенностей значимо и с тео-ретических, и с чисто практических позиций (не случайно по-явился новый термин – «сетевые революции»). Динамика потоковинформации, передаваемых через социальные онлайновые сети,электронные письма, звонки мобильного телефона, все большепривлекает внимание исследователей [29,30,35,68,85]. Сверхакту-альным стало изучение современных механизмов массовой моби-лизации людей, стоящих за «Occupy Wall Street», протестных дви-жений «арабской весны» или российской «белой зимы» – Twitter,Facebook, русскоязычные «В контакте» и других интернет-серви-сов. Временной подход к моделированию сетей обычно основы-вается на теории графов. Социальная сеть может быть представ-лена как граф с конечным множеством вершин (агентов модели,соединенных ребрами, которые отражают взаимодействие аген-тов) [20,43,60,75,86]. Топология сети, временная структура актив-ности ребер в моделях отражает динамику передачи информациив онлайновых социальных сетях.

Примеры графовВо многих случаях ребра соединяющие вершины модели не

являются активными постоянно, непрерывно. Нередко ребра мо-дели активны в течение незначительных промежутков времени.Например, в коммуникативных сетях электронной почты, звонков

мобильных телефонов, ребра представляют последовательностикратковременных контактов, длительностью которых можно пре-небречь. В рамках теории графов возможно моделирование и не-тривиальных, неклассических – квантовых и квантовоподобных(КП) свойств социальных сетей. Причем, КП свойства имеют дваисточника – топология собственно сети [13,28,67,92] и КП свой-ства психики людей, взаимодействующих через эту сеть[24,54,80,81,84,90,94]. Временные сети, временные социальныесети – всегда предмет междисциплинарных исследований. В нау-ке о временных сетях складывается собственная, не всегда «усто-явшаяся», отличная от применяемой в исследовании статичныхсетей, терминология – d-графы (т.е. динамические графы), вре-менные графы, развивающиеся графы, изменяющиеся во времениграфы, соединенные временными отношениями графы, времен-ная длина пути и т.д. [5,25,29,30,45,59].

При моделировании социальных сетей как графов, можно оце-нить, как влияет одна часть сети другую, какие вершины играютглавные роли в изменении системы, и т. д. [5,6,8,12,14,35,46,59].Модель может быть более реалистичной, если включает дополни-тельные иерархические уровни и детали, например вероятностныевеса ребер во взвешенных сетях [40,64,78], или положение верши-ны в пространственных сетях [7,73].

В статичных сетях, ориентированных или неориентирован-ных, если узел A непосредственно связан с узлом B, и B непо-средственно связан с C, то A косвенно связан с C через B. Однако,во временных сетях, если ребро (A, B) является активным тольков более поздний момент времени, чем ребро (B, C), то A и C оста-ются разъединенными. Таким образом, фактор времени можетиметь существенное значение в моделировании даже простейшихсвязей узлов и их корреляций в динамических системах. Перво-степенную важность для моделирования может иметь наличиепульсирующего, прерывисто во времени функционирующего ре-бра [30]. Вершины модели также могут быть активными непосто-янно, периодически, но обычно это отражено в функционирова-нии ребер. В тоже время динамика системы может быть смодели-рована и как ветвящийся процесс [56], что имеет место во многихсетевых моделях. Это и распространение инфекционных болезней[38], и, математически идентичное с эпидемиями «заразных» бо-лезней распространение по социальным сетям призывов к тем или

иным действиям, новых идей, слухов и т.д.) [21,91]. С другой сто-роны временной подход к моделированию оптимален не всегда.Если темп изменений динамической системы в сети слишкомбыстр по сравнению с темпом изменения сетевой инфраструкту-ры, тогда нет никакой необходимости моделировать инфраструкту-ру как временную сеть. Наглядный пример – сеть интернета, в ко-тором информационные пакеты данных перемещаются намногобыстрее, чем изменяется топология самой сети [30].

Существуют различные типы временных сетей. Для времен-ного подхода к моделированию сетей хорошо подходят базы дан-ных онлайн-коммуникации (контакт двух человек, последова-тельные контакты между двумя пользователями сети – «лицом клицу») [16,34,71,97]. Такие базы данных часто представлены ввиде списков сообщений от одного человека другому с учетомвремени контакта, или в диалоге между двумя людьми в пределахопределенного временного интервала. Первый тип содержит сетиэлектронных писем [33,61], текстовые сообщения мобильноготелефона [93], «мгновенные» сообщения на онлайн-форумах [47].Телефонные звонки, контакты, естественно, не мгновенны, имеютопределенную продолжительность, однако, во многих случаяхпродолжительностью вызовов-контактов можно пренебречь иучитывать их как мгновенные.

Другой тип временной сети: один источник – многие реципи-енты информации. Например – радиопередача (в том числе и черезинтернет), когда информации передается любому, имеющему тех-ническую возможность для ее приема [30]. Еще один тип распро-странения информации между людьми, моделирование которогополезно с учетом временного подхода к сети – распространениеинформации о событиях в блогах [95] или микроблогах [47].

Проведенные Либен-Новеллом и Клайнбергом исследованияэлектронных писем, когда письма передаются по цепочке агентов– промежуточная форма информационной передачи, между вы-шеупомянутыми типами передачи информации [52].

Во временном графе пути распространения информацииобычно определены как последовательности контактов с «неу-меньшающимися» временами. Действительно, время, прошедшеепосле какого-то события, например, контакта в социальной сети,может только нарастать. Важно уметь определять набор вершинмодели, которые могут быть достигнуты в процессе распростра-

нения информации с учетом определенного времени их достиже-ния – «достижимость» [30]. Например, набор вершин модели, ко-торые могут в принципе подвергнуться заражению компьютер-ным вирусом за определенный интервал времени.

Фундаментальное понятие временного графа было введено висследованиях распределенных вычислений. Существуют различ-ные типы распределенных вычислительных систем, но они всесостоят из независимых вычислительных единиц, соединенных всеть [22]. Центральная проблема в этой области – отслеживаниедавности информации. Может использоваться вариант, когда вер-шины в процессе контакта обновляют информацию друг друга.Важный показатель – полная «скорость» временной сети, то естьпоказатель того, как быстро вершины могут «в среднем» передатьчто-то вдоль последовательности контактов. Некоторые авторыговорят о «расстоянии» и «длине» как времени, измеренного,например, в секундах и днях. Koссинетс и др., например [42],определяют «расстояние» между двумя вершинами как самую ко-роткую продолжительность времени достижения контакта.

Литературы по статическим графам значительно больше, чемо временных графах, по естественной причине: обычно статиче-ские графы легче проанализировать, особенно аналитически. Носитуация меняется. Подход к анализу временных графов долженучитывать и топологические и временные свойства сети [59]. Са-мый простой путь к этому состоит в том, чтобы накопить данныео контактах за некоторое время, чтобы сформировать ребра.Например, исследователи разделяли время на сегменты (времен-ные интервалы) и изучали структуру контактов по этим сегмен-там [73]. Подобный подход оптимален в случаях, когда топологи-ческие аспекты сети более важны, чем временные [35].

Исследователями разработан целый ряд моделей временныхсетей. Так модель стохастического формирование пары впервыебыла применена для сетей сексуальных контактов в Интернете[71,72]. Подобные модели применяются и в других областях чело-веческой деятельности. Представляют интерес «динамическиеслучайные модели графа с памятью» достаточно давно предло-женные Т.С. Туровой [88], использующаяся структура которыхудобна для проведения аналитических вычислений [78,79].

Структура модели в виде временных показательных случай-ных графов, представлена, например, в [40], где учитывается ве-

роятность контактов, которые происходят между парой вершин вданном интервале времени. Точно так же как у его статическогоаналога, у временного показательного случайного графа естьсвязь с моделью Изинга [32]. Модель в виде временного показа-тельного случайного графа может использоваться как порождаю-щая модель для построения структуры последовательности кон-тактов социальных сетей. Нельзя не отметить рандомизирован-ные эталонные модели [38], модели, отражающие типичные цир-кадные и еженедельные ритмы деятельности человека [36,54],рандомизированные контакты с дистанционным управлением –Карзай и др. [38].

Для моделирования социальных сетей Стелe, Баррет и Бьян-кони [82,83] использовали структуру, в которой ребра представ-ляют некоторые изменяющиеся социальные связи (например, вконтактах типа «лицом к лицу»). Их подход базируется на учетеожидаемых изменений числа людей в группах. Иллюстрация под-хода: «чем дольше агент взаимодействует с группой, тем меньшевероятность его ухода из нее; чем больше агент изолирован, темменее вероятно продолжение его взаимодействия с группой».

На свойствах временных графов основаны модели распро-странения компьютерных или биологических вирусов, новостей,слухов, которые передаются через физические контакты, интер-нет-контакты или социальные сети. Для модели важна структурасообщества, корреляции между силами связи внутри сообществ,их топология [60,64,87,96,97,99,101]. В статичных сетях процесспередачи «инфекции», в конечном счете, «заразит» все вершины,которые в принципе могут быть достигнуты из первоначальногоисточника, и, таким образом, определяющий фактор в этомконтексте – скорость распространения «инфекционного» агента.В модели с временным измерением зараженные люди могут вы-здоравливать и становиться неуязвимыми к инфекции (прямаяаналогия с распространением идеологий). Структура сети в этомслучае зависит от взаимодействия между двумя показателями(скорости заражения и скорости восстановления – «выздоровле-ния»). Есть и более сложные версии модели, где невосприимчи-вость к «заражению» не является постоянной и люди, могут сно-ва становиться восприимчивыми к заражению через некоторыйинтервал времени. Применение таких моделей к статическим се-тям эквивалентно предположению, что все взаимодействия между

вершинами однородны во времени. Однако, в действительностиобычно это не так. Есть увеличивающийся корпус данных поочень большой разнородности временных свойств социальныхвзаимодействий – обычны пульсирующие, прерывистые комму-никации, осуществляющиеся через электронную и физическуюпочту [33,83], мобильные телефонные звонки и текстовые сооб-щения [16,18,34,38,57,93]. Добавляют временной неоднородностисоциальным сетям ежедневные и циркадные ритмы человека[12,36,38,44,48,54,57,61].

Динамика человеческого общения почти всегда пульсирую-щая, поэтому практически всегда отличается от распределенияПуассона. Мин, Гох и Васкес [56] изучили модель с закономерны-ми распределениями межсобытийных временных интервалов, вкоторой структура сети рассматривается как древовидная. Эмпи-рические доказательства для иного, чем Пуассоновское распро-странения динамики было проведено, в частности, Ирибарреноми Моро [33]. Они выполнили эксперимент, где свыше 30000 чело-век отправляли текстовые послания по электронной почте. Былоустановлено, что за медленную динамику распространения ин-формации в сети ответственен большой разброс во временах от-клика–ответа. В их эксперименте, подписчики на информацион-ный бюллетень онлайн вознаграждались за то, что рекомендовалиэту подписку через электронную почту своим друзьям. Традици-онные аналитические эпидемические модели потерпели неудачу впредсказании скорости и динамики числа людей, получивших иотправивших подобное сообщение. Однако наблюдаемая медлен-ная динамика была хорошо описана немарковской ветвящейся мо-делью.

Карзай и др. [38] обеспечили дальнейшее понимание влияниявременной разнородности на динамику распространения инфор-мации, исследуя поведение моделей. Моделировалась динамикареальных звонков мобильных телефонов и сообщений электрон-ной почты с учетом их временной и структурной неоднородности[57]. Роха и др. не обнаружили замедления эпидемического рас-пространения информации в их базе данных с неоднородной вре-менной структурой [71,72] сексуальных контактов в Интернете.Мирителло и др. [57] использовали записи телефонных разгово-ров мобильных телефонов (9 миллиардов звонков 20 миллионовпользователей) в своих исследованиях по моделированию распро-

странения информации и обнаружили их несоответствие распре-делению Пуассона [38].

Наконец, эффект, подобный замедлению распространения ин-формации в неоднородных во времени сетях человеческого об-щения, наблюдался и у муравьев. В [11] временные сети были по-строены на основании 30-минутных видеозаписей муравьев в 6колониях, отслеживающих все контакты между отдельными му-равьями. Были найдены существенные отличия от данных кине-тической модели, где муравьев рассматривали как частицы иде-ального газа, которые беспорядочно сталкиваются и изменяютнаправление движения. Интересна работа по моделирования Кам-па [37], где автор предлагает структуру, годную для моделирова-ния распространения информации и реального процесса распро-странения инфекции во временных сетях. В статистической тео-рии сети [79] есть методы, использующие топологию сети, чтобыидентифицировать ключевые цели для проведения прививок. Лии др. [51] предложили схему прививок с учетом времени. Времен-ная структура становится особо важной для моделирования, еслив сети имеются неоднородности структуры и корреляции после-довательностей контактов между вершинами. Для моделированияподобных сетей иногда создают модели с КП свойствами (напри-мер, со свойством «запутанности») [17,41,66], интерференции[77], квантовыми статистиками [15,28].

Классическая социальная сеть. Акторы – вершины графа, соединеныребрами

Квантовоподобные сети

Существует ряд сетей, систем, в которых нарушаются класси-ческие законы вероятности. Например, к ним относятся контек-стуально-зависимые адаптивные системы [11,25,26,55,62,69,70,99]. Так, авторы статьи [3] представили новую математиче-скую формулу для вычисления вероятности в таких системах, спомощью понятия адаптивной динамики и квантовой теории ин-формации. А в статье [2] авторы находят эквивалентность междуквантовым и классическим описанием ряда сетевых топологий,которым соответствуют энтропия фон Неймана (квантовое описа-ние) и энтропия Шеннона (классическое описание). Целый рядработ посвящен проблеме энтропии социальных сетей [9,98,100].В сложной сети, различные группы узлов могут существовать втечение разного количества времени (иметь различный«возраст»), что имеет большое значение для выявления эволюци-онной истории сети [10,23,27].

Теория информации Шеннона и классическая теория вероят-ности игнорируют семантические аспекты информации. Такаястратегия вполне успешна в описании передачи информации,поэтому стала основой теории современной телекоммуникации итехнологии передачи в сети. Внедрение Web 2.0 существенно из-меняет способы общения в сети [53,54]. Facebook стал точкойсборки в повседневной жизни многих людей, соединяя их в сооб-щества, решающие общие проблемы и выполняющие некоторыезадачи. Новости и комментарии о стихийных бедствиях (напри-мер, связанных с цунами), и политических событиях (например,антиправительственных протестах) в Twitter [47,77] передаютсябыстрее, чем в традиционных СМИ. В результате на первый планвыходит социальный аспект передаваемой информации. Семанти-ческий и человеческий фактор становится настолько важным, чтоим уже нельзя пренебречь [1,3,19,90].

Динамичные социальные сети слишком сложны, чтобы ихмогла бы описать любая классическая вероятностная модель.Есть существенное различие между передачей социальной ин-формации и передачей физической информации. Передача инфор-мации от узла к узлу в социальной сети - проявление социальноговзаимодействия [4]. Последние годы масса исследований прово-дилась для того, чтобы обнаружить в сетях мезоскопическиеструктуры в виде взаимодействующих сообществ, кластеров, об-

разующихся при передаче информации в социальных сетях, в техслучаях, когда мысли, чувства или действия человека разделяют-ся множеством других людей [1,20,58,73,96]. Многие недавниеисследования посвящены передаче социально-значимой информа-ции в социальных сетях [2,5,6]. Имеет значение контекстуальноеинтерпретирование информации. Ценность информации можетрезко изменяться и может в большой степени зависеть от того, на-сколько люди доверяют каналам передачи информации и как ихиспользуют [24,47].

Квантовая социальная сеть может быть визуализирована как классическаясоциальная сеть, в которой каждый актор – прибор для измерения

квантовых состояний.

Квантовые сети

С помощью квантовых процессов возможно моделированиеКП – квантовоподобных процессов (в том числе – характеристиксоциальных сетей), которые описываются тождественными мате-матическими закономерностями. Пока для этого используют«обычные» компьютеры, но идет работа над компьютерами кван-товыми, которые предназначены и для моделирования иных кван-товых и КП состояний [3,39,67,76,92]. Модели сложных квантовыхсистем обычно основаны на теории графов [28]. Создание кванто-вой сети – фундаментальная цель квантовой информатики. Кван-товые сети составлены из квантовых узлов, которые могут соеди-няться между собой классическими или квантовыми коммуника-циями [13,15,17]. Разработано несколько схем, использующихзапутанность квантовых коммуникаций, такие как телепортация иквантовая криптография (которая позволяет вести действительнобезопасную коммуникацию). Когда узлы заключены в небольшой

пространственно области, построение квантовой сети становитсятривиальной задачей. Однако, из-за быстрого нарастания декоге-ренции, коммуникационное расстояние строго ограничено, и ком-муникация на больших расстояниях становится невозможной. Ста-новятся необходимы квантовые ретрансляторы. Если узлы удале-ны на расстояния порядка сотен километров, то это налагает силь-ные ограничения на параметры квантовой сети [63].

Есть ряд предложений по технологиям квантовых сетей[41,49,50,66,67] основанных на потребности в ретрансляторах [74],необходимых для их устойчивого функционирования [63]. Чтобыпостроить некоторые типы квантовых сетей используют протоко-лы квантовой перколяции [17,65]. Так, квантовая версия алгоритмаPageRank имеет нетривиальные свойства и значительно выигрыва-ет относительно классической версии. Однако в настоящее времяисследования проведены только с маленькими сетями. Вычисле-ния с квантовым PageRank в больших сетях со всеми свойствамисложной реальной сети [63] пока не проводились.

Юлай Грейсманн и Ристо Миккулайнен с факультета компью-терных наук Университета штата Техас (США) построили искус-ственную нейронную сеть под названием DISCERN, которая уме-ет запоминать и пересказывать истории. Авторы обучили ее и за-тем смоделировали несколько гипотетических нейродисфункций,предположительно ответственных за развитие шизофрении, срав-нивая произведенные эффекты с реальными отклонениями, на-блюдаемыми в группе больных шизофренией [31]. Не исключено,что подобные дисфункции будут возникать в бурно развивающих-ся социальных сетях с семантическими свойствами.

Заключение. Исследование временных сетей, их характер-ных особенностей, их динамики – всё еще довольно молодая об-ласть, и в ней много нерешенных вопросов. В настоящее времяразработано не очень много порождающих моделей временныхсоциальных сетей, учитывающих нетривиальные распределениявремени межконтактных интервалов, пульсирующую динамику,циркадные и еженедельные ритмы контактов. В некотором смыс-ле, недавние исследования временных сетей иногда входят в про-тиворечие с более ранними работами над сложными сетями[30,59]. Разные динамические системы по-разному чувствитель-ны к временным параметрам. Примером такой динамической си-стемы является распространение информации в социальных се-

тях, которое чувствительно к таким временным характеристикам,как «вспышки» деятельности и временной порядок событий. Дляобъяснения наблюдаемых временно-топологических корреляцийперспективны разработки адаптивных моделей сети [26], исполь-зование их КП свойств. Несмотря на технические трудности,ожидается введение в широкую практику квантовых сетей [63].Моделирование временной структуры социальных сетей – эффек-тивный инструмент для прикладных междисциплинарных иссле-дований.

1. Ahn Y., Bagrow J., Lehmann S. Link communitiesrevealmultiscale complexity in networks. Nature. 2010. 466. – Pp. 761-764.

2. Anand K., Bianconi G., Severini S. The Shannon and the VonNeumann entropy of random networks with heterogeneous expecteddegree. 2010. ArXiv: 1011.1565v2.

3. Asano M., Basieva I., Khrennikov A., Ohya M., Yamato I. Ageneral quantum information model for the contextual dependentsystems breaking the classical probability law. 2011. ArXiv:1105.4769v1

4. Bagrow J., Wang D., Barabasi A.-L. Collective Response ofHuman Populations to Large-Scale Emergencies . 2011. LoS One 6:3.– P. 1-8.

5. Barrat A., Barthelemy M., Vespignani A. Dynamical processeson complex networks. Cambridge University Press. Cambridge UK –2008.

6. Barrat J., Bianconi G. Dynamical and bursty interactions insocial networks. Phys Rev. 2010. E 8. – P. 035101.

7. Barthelemy M. Spatial networks. Physics Reports. – 2011. 499. -Pp. 1- 101.

8. Basu P., Bar-Noy A., Ramanathan R., Johnson M. Modeling andanalysis of time-varying graphs. 2010. ArXiv: 1012.0260.

9. Bianconi G, Coolen A., Perez-Vicente C. Entropies of complexnetworks with hierarchically constrained topologies. Phys Rev. 2008. E78. – P. 016114.

10. Bianconi G., Pin P., Marsili M. Assessing the relevance of nodefeatures for network structure. Proc Natl Acad Sci USA. 2009. 106. –Pp. 11433-11438.

11. Blonder B., Dornhaus A. Time-ordered networks reveallimitations to information flow in ant colonies. PLoS One. – 2011.6:e20298.

12. Braha D., Bar-Yam Y. Time-dependent complex networks:dynamic centrality, dynamic motifs, and cycles of social interaction. InT. Gross and H. Sayama, editors, Adaptive networks: Theory, modelsand applications. Springer, Dordrecht. 2008. – Pp. 39 - 50.

13. Cabello A., Danielsen L., Lopez-Tarrida A., Portillo J.Quantum social networks. 2011. ArXiv: 1112.0617v1.

14. Casteigts A., Flocchini P., Quattrociocchi W., Santoro N. Time-varying graphs and dynamic networks. 2010. Arxiv: 1012:0009.

15. Castellano C., Fortunato S., Loreto V. Statistical physics ofsocial dynamics. Rev Mod Phys. 2009. 81. – Pp. 591- 646.

16. Cattuto C.et al. Dynamics of person-to-person interactionsfrom distributed RFID sensor networks. PLoS One. – 2010 5:e11596.

17. Cuquet M., Calsamiglia J.; Limited-path-length entanglementpercolation in quantum complex networks. Phys. Rev. 2011.A 83. – P.032319.

18. Eagle N., Pentland A., Lazer D. Inferring Social NetworkStructure Using Mobile Phone Data. Proceedings of National Academyof Sciences. 2009. 106 (36). – Pp. 15274–15278.

19. Easley D., Kleinberg J. Networks, crowds, and markets:reasoning about a highly connected world. Cambridge University Press,Cambridge UK – 2010.

20. Fortunato S.. Community detection in graphs. Physics Reports.2010. 486. – Pp. 75–174.

21. Gautreau A., Barrat A., Barthelemy M. Microdynamics instationary complex networks. Proc. Natl. Acad. Sci. USA. 2009. 106. –Pp. 8847- 8852.

22. Ghosh S. Distributed Systems: An Algorithmic Approach.Chapman & Hall. CRC, Boca Raton FL. – 2007.

23. Ghoshal G., Barabási A.-L. Ranking stability and super-stablenodes in complex networks // Nature Communications. 2011. 2. – Рp.1-7.

24. Goncalves B, Perra N., Vespignani A. Validation of Dunbar'snumber in Twitter conversations. 2011. ArXiv: 1105.5170v2.

25. Grindrod P., Parsons M., Higham D., Estrada E.Communicability across evolving networks. Phys. Rev. 2011. E, 81. –Pp. 046120.

26. Gross T., Blasius B. Adaptive coevolutionary networks: Areview. J. Roy. Soc. Interface. 2008. 5. – Pp. 259 – 271.

27. Guimei Zh. Et al. Uncovering Evolutionary Ages of Nodes inComplex Networks. 2011. ArXiv: 1107.1938v1.

28. Harrison J., Keating J., Robbins J. Quantum statistics ongraphs. 2011. ArXiv: 1101.1535v1.

29. Hil S., Braha D. Dynamic model of time-dependent complexnetworks. Phys. Rev. E. 2010. 82. – P. 046105.

30. Holme P., Saramaki J. Temporal Networks. 2011. ArXiv:1108.1780v1.

31. Hoffman R. Using Computational Patients to Evaluate IllnessMechanisms in Schizophrenia // Biological Psychiatry. V. 69. I. 10.2011. – Pp. 997-1005.

32. Hooyberghsa H. et al. Ising model for distribution networks.2011. ArXiv: 1105.5329v1

33. Iribarren J., Moro E. Impact of human activity patterns on thedynamics of information diffusion. Phys. Rev. Lett. 2009. 103. –P.038702.

34. Isella L. et al. Whats in a crowd? analysis of faceto-facebehavioral networks. Journal of Theoretical Biology. 2011. 271. – Pp.166-180.

35. Jackson M. Social and economic networks. PrincetonUniversity Press, Princeton NJ. – 2008.

36. Jo H.-H., Karsai M., Kertesz J., Kaski K. Circadian pattern andburstiness in human communication activity. 2011. ArXiv: 1101.0377.

37. Kamp C. Untangling the interplay between epidemic spreadand transmission network dynamics. PLoS Comp. Biol. – 2010.6:e1000984.

38. Karsai M. et al. Small but slow world: How network topologyand burstiness slow down spreading. Phys. Rev. 2011. E. 83. – P.025102.

39. Kimble H. The quantum internet; Nature (London). 2008. 453.– P. 1023.

40. Kolar M., Song L., Ahmed A., Xing E. Estimating time-varying networks. Annals of Applied Statistics. 2010. 4. Pp. 94 - 123.

41. Korepin V., Xu Y. Entanglement in Valence-Bond-Solid States.International Journal of Modern Physics B. 2010. 24. – Pp. 1361- 1440.

42. Kossinets G., Kleinberg J., Watts D. The structure ofinformation pathways in a social communication network. In Proc. 14th

ACM SIGKKD Intl. Conf. on Knowledge Discovery and Data Mining.2008. – Pp. 435 - 443.

43. Kostakos V. Temporal graphs. Physica A. 2009. 388. – Pp.1007-1023.

44. Kovanen L. et al. Temporal motifs in time-dependent networks.2011. ArXiv: 1107.5646.

45. Kuhn F., Oshman R. Dynamic networks: Models andalgorithms. ACM SIGACT News. 2011. 42. – Pp.82 - 96.

46. Kuwata Y. Decomposition algorithm for global reachabilityanalysis on a time-varying graph with an application to planetaryexploration. In International Conference on Intelligent Robots andSystems. – 2009.

47. Kwak H., Lee C., Park H., Moon S. What is Twitter, a socialnetwork or a news media? In Proceedings of the 19th InternationalWorld Wide Web Conference. – 2010.

48. Lahiri M., Berger-Wolf T. Mining periodic behavior indynamic social networks. In Eighth IEEE International Conference onData Mining. – 2008.

49. Lauritzen B. et al. «Telecommunication-Wavelength Solid-State Memory at the Single Photon Level»; Phys. Rev. Lett. 2010. 104.– P. 080502.

50. Lauritzen B. et al. Approaches for a quantum memory attelecommunication wavelengths; Phys. Rev. A. 2011. 83. – P. 12318.

51. Lee S., Rocha L., Liljeros F., Holme P. Exploiting temporalnetwork structures of human interaction to effectively immunizepopulations. 2010. ArXiv:1011.3928.

52. Liben-Nowell D., Kleinberg J. Tracing information flow on aglobal scale using Internet chain-letter data. Proc. Natl. Acad. Sci.USA. 2008. 105. – Pp.4633 - 4638.

53. Liljeros F. Et al. The web of human sexual contacts. Nature.2001. 411. – Pp. 907- 908.

54. Malmgren R., Stouer D., Campanharo A., Amaral L. Onuniversality in human correspondence activity. In Science. 2009. – Pp.1696-1700.

55. Marceau V. et al. Adaptive networks: coevolution of diseaseand topology. 2010. ArXiv: 1005.1299v1.

56. Min B., Goh K.-I., Vazquez A. Spreading dynamics followingbursty human activity patterns. 2010. ArXiv: 1006.2643.

57. Miritello G., Moro E., Lara R. The dynamical strength of socialties in information spreading. Phys. Rev. E. 2011. 83. – P. 045102.

58. Mucha P. et al. Community structure in time-dependent,multiscale, and multiplex networks. Science. 2010. 328. – Pp.876 -878.

59. Newman M. Networks: An introduction. Oxford UniversityPress, Oxford UK. – 2010.

60. Onnela J.-P. et al. Structure and ties strengths in mobilecommunication networks. Proc. Natl. Acad. Sci. USA. 2007. 104. – P.7332.

61. Pan R., Saramaki J. Path lengths, correlations, and centrality intemporal networks. 2011. ArXiv: 1101.5913.

62. A. Panisson et al. On the dynamics of human proximity fordata diffusion in ad-hoc networks to appear in Ad Hoc Networks. 2011.arXiv: 1106.5992v1

63. Paparo G., Martin-Delgado M. Google in a Quantum Network.2011. ArXiv: 1112.2079v1

64. Park Y., Moore C., Bader J. Dynamic networks fromhierarchical Bayesian graph clustering. PLoS One. – 2010. 5:e8118.

65. Parshani R. et al. Dynamic networks and directed percolation.Europhys Lett. 2009. 90. – P. 38004.

66. Perseguers S. et al. Entanglement distribution in pure-statequantum networks. Phys. Rev. A. 2008. 77. – P. 022308.

67. Perseguers S., Lewenstein M., Acín A., Cirac J. Quantumrandom networks. Nature Physics. – 2010. DOI. 10.1038/NPHYS1665.

68. Przytycka T., Slonim M. Toward the dynamic interactome: It’sabout time. Briefings in Bioinformatics. 2010. 11. – Pp. 15-29.

69. Prokopenko M. (Ed.) Advances in Applied Self-organizingSystems. 1st Edition. 2008. XII – 376 p.

70. Rybski D. et al. Scaling laws of human interaction activity.Proc Natl Acad Sci USA.2009. 106. – Pp. 12640 - 12645.

71. Rocha L., Liljeros F., Holme P. Information dynamics shapethe sexual networks of internet-mediated prostitution. Proc. Natl. Acad.Sci. USA. 2010. 107. – Pp.5706 - 5711.

72. Rocha L., Liljeros F., Holme P. Simulated epidemics in anempirical spatiotemporal network of sexual contacts. PloS Comp. Biol.– 2011. 7:e1001109.

73. Rosvall M., Bergstrom C. Mapping change in large networks.PLoS One. – 2010. 5:e8694.

74. Sangouard N., Simon Ch., de Riedmatten H., Gisin N.Quantum repeaters based on atomic ensembles and linear optics; Rev.Mod. Phys. 2010. 83. – P. 3380.

75. Santoro N. et al. Time-varying graphs and social networkanalysis: temporal indicators and metrics. 2011. ArXiv: 1102.0629.

76. Simon C. et al. Quantum Memories. A Review based on theEuropean Integrated Project «Qubit Applications (QAP)». TheEuropean Physical Journal. 2010. D 58. – Pp. 1-22.

77. Shuai X. et al. Does Quantum Interference exist in Twitter?2011. ArXiv: 1107.0681v1.

78. Snijders T., Koskinen J., Schweinberger M. Maximumlikelihood estimation for social network dynamics. The Annals ofApplied Statistics. 2010. 4. – Pp.567-588.

79. Snijders T., van de Bunt G., Steglich C. Introduction tostochastic actor-based models for network dynamics. Social Networks.2010, 32. – Pp.44-60.

80. Song C., Qu Z., Blumm N., Barabási A.-L. Limits ofPredictability in Human Mobility. 2010. Science 327. – Pp. 1018-1021.

81. Song C., Koren T., Wang P., Barabási A.-L. Modelling thescaling properties of human mobility. Nature Physics (AdvancedOnline Publications). 2010. 7. – P. 713.

82. Stehle J., Barrat A., Bianconi G. Dynamical and burstyinteractions in social networks. Phys. Rev. E. 2010. 81. – P. 035101.

83. Stehle J. Vanhems. Simulation of an SEIR infectious diseasemodel on the dynamic contact network of conference attendees. BMCMedicine. 2011. 9. – P.87.

84. Takaguchi T. Predictability of conversation patterns. 2011.Arxiv: 1104.5344.

85. Tang J., Musolesi M., Mascolo C., Latora V. Temporal distancemetrics for social network analysis. In Proceedings of the 2nd ACMSIGCOMM Workshop on Online Social Networks. – 2009.

86. Tang J. Small-world in time-varying graphs. Phys. Rev. E.2010. 81.– P. 055101.

87. Tantipathananandh C., Berger-Wolf T., Kempe D. A frameworkfor community identification in dynamical social networks. InProceedings of the 13th ACM SIGKDD International Conference onKnowledge Discovery and Data Mining. 2007. – Pp. 717-726.

88. Turova T. Dynamical random graphs with memory. Phys. Rev.2002. E.65. – P. 066102.

89. Ueno T., Masuda N. Controlling nosocomial infection based onstructure of hospital social networks. J. Theor. Biol. 2008. 254. – Pp.655 - 666.

90. Valencia M., Martinerie J., Dupont S., Chavez M. Dynamicsmall-world behavior in functional brain networks unveiled by anevent-related networks approach. Phys. Rev. E. 2008. 77. – P. 050905.

91. Wang Y., Xiao G., Liu J. Dynamics of competing ideas incomplex social systems. 2011. ArXiv: 1112.5534v1.

92. Wiersma D. Random Quantum Networks. 2010. Science 327. –P. 1333.

93. Wu Y. Evidence for a bimodal distribution in humancommunication. Proc. Natl. Acad. Sci. USA. 2010. 107. – Pp. 18803-18808.

94. Wright R. Statistical structures underlying quantum mechanicsand social science. 2003. ArXiv: quant-ph/0307234.

95. Yukie S. et al. Empirical analysis of collective human behaviorfor extraordinary events in Blogosphere. 2011. ArXiv: 1107.4730v1

96. Zhao K. et al. Modeling Emerging Coalitions in the context ofInter-organizational Networks: A Case Study of HumanitarianCoordination, International Journal of Intelligent Control and SystemsResearch. 2009. 14. 1. – Pp. 97-103.

97. Zhao K, Stehlé J., Bianconi G., Barrat A. Social networkdynamics of face-to-face interactions. Phys Rev. 2010. E 83. – P.056109.

98. Zhao K, Karsai M, Bianconi G. Entropy of Dynamical SocialNetworks. PLoS One. – 2011. 6(12). – e28116.

99. Zhao K, Bianconi G. Social interactions model and adaptabilityof human behavior. Front. Physio. 2011. 2. – P.101.

100. Zhao K., Halu A., Severini S., Biancon G. Entropy rate ofnonequilibrium growing networks. Phys. Rev. 2011. E 8 4 . – P. 066113.

101. Zhao, K., Kumar, A., Harrison, T., Yen. J. Analyzing theResilience of Complex Supply Network Topologies against Randomand Targeted Disruptions. IEEE Systems Journal. 2011. 5. 1. – Pp. 28-39.

102. Никонов Ю.А. Темпоральность в онлайновых социаль-ных сетях. //Время и информация (время в информатике виртуаль-ной реальности и в информационных процессах: философия, тео-рия и практика Становление темпорального тезауруса личности исоциальное время // сб. научн. тр./под ред. В. С.Чуракова. (серия

«Библиотека времени». Вып.8. – Новочеркасск: Изд-во ‹‹НОК››,2011. – (С. 131- 143).

УДК 519.17:[004.77:316.35]

Современные технологии социальных сетейонлайн (обзор иностранных исследований)

©Никонов Ю.В., Гусев Н.И., Чураков В.С., 2015Представляемая работа – аналитический обзор современной

англоязычной литературы по начатой в статье Никонова Ю. В.,Гусева Н.И. и Чуракова В.С. «Элементы теории Лефевра и фазо-вые переходы в онлайновых социальных сетях» [1] теме о кван-товых и квантовоподобных (КП) свойствах социальных сетей.Исследование социальных сетей, их временных моделей, кванто-вых и КП свойств значимо и с теоретических, и с чисто практи-ческих позиций. Динамика потоков информации, передаваемыхчерез социальные онлайновые сети (Twitter, Facebook, Google+,русскоязычные «В контакте» и другие Интернет-сервисы), элек-тронные письма, звонки мобильного телефона, все больше при-влекает внимание исследователей [2]. В основе теории социаль-ных сетей (как и сетей вообще) лежит теория графов [4]. Соци-альная сеть может быть представлена как граф с конечным мно-жеством вершин (агентов модели, соединенных ребрами, которыеотражают взаимодействие агентов) [4,5,6]. Топология сети, вре-менная структура активности ребер в моделях отражает динамикупередачи информации в онлайновых социальных сетях, можетрассматриваться как временные графы [2].

Моделирование с помощью графов хорошо обеспечено техни-чески. Так, в Интернете доступна библиотека «network X» [7], ко-торая создана на языке Python и предназначена для работы с гра-фами и другими сетевыми структурами. Это свободное программ-ное обеспечение, распространяемое под новой BSD- лицензией(BSD – программная лицензия университета Беркли). Основныевозможности библиотеки включают устройства для работы с про-стыми, ориентированными и взвешенными графами и узлами.Узлом может быть практически что угодно: текст, изображение,XML (дословно – «расширяемый язык разметки») и т. д.

Библиотека обеспечивает: 1.Сохранение или загрузку графовв наиболее распространённых файловых форматах хранения гра-фов. 2. Встроенные процедуры для создания графов базовых ти-пов. 3. Методы для обнаружения подграфов, «К-дольных» гра-фов. 4. Получение таких характеристик графа как степени вер-

шин, высота графа, диаметр, радиус, длинны путей, центр, проме-жуточности, и т. д. 5. Визуализацию сети в виде 2D и 3D графи-ков и т.д.

Если в сети имеются неоднородности структуры и корреля-ции последовательностей контактов между вершинами, то особоважными для моделирования становятся временные структуры.Для моделирования подобных сетей иногда создают модели с КП[3,8,9] свойствами (например, со свойствами «запутанности»)[10,11], интерференции [12], квантовыми статистиками[13,14,15,16]. В этом контексте применяются графы с квантовымисвойствами [4]. Продолжают разрабатываться и внедряться впрактику квантовые алгоритмы поиска информации [17,18,19].

Социальные сети могут иметь КП свойства статистик Бозе –Эйнштейна, Ферми – Дирака, анионов [14,15,20]. Предполагаетсяс целью моделирования некоторых КП аспектов социальных се-тей использовать математический аппарат топологических кван-товых фазовых переходов квазичастиц в 2-D системах (что воз-можно при помощи «обычных», неквантовых компьютеров) [20].В моделировании динамики социальных сетей используется хоро-шо известная в физике модель Изинга [21]. Контекстуально-зави-симые статистические реалистичные модели с КП свойствами ис-пользуются в физике, когнитивных науках и психологии [22,23].КП свойства социальной сети могут иметь два источника – топо-логию собственно сети [24,25] и КП свойства психики людей, вза-имодействующих через эту сеть [23]. КП свойства психики неимеют прямого отношения к тому, что мозг (как и любое физиче-ское тело) состоит из частиц, обладающих квантовыми свойства-ми. Имеется в виду, что ряд психических процессов математиче-ски описывается, моделируется как взаимодействие амплитуд ве-роятностей в квантовой механике. Например, недавно опублико-вана простая модель закона Йеркес-Додсона (зависимость наи-лучших результатов от средней интенсивности мотивации) – од-ного из самых старых законов экспериментальной психологии.Использованы некоторые идеи квантовой теории открытых си-стем, метод статистического описания психологических систем[26]. В мире психики возможны ситуации, при которых измере-ние объекта меняет его состояние, что характерно для квантовогомира. В этом контексте предложена и разрабатывается модель

функционирования мозга как КП компьютера, как основы КПсвойств психики [27].

В частности, квантовой модели мышления придерживались(в хронологическом порядке): Уайтхед [20,29,30], Орлов [31],Хили [32], Альберт и Лоуэр [33,34], Локвуд [35], Пенроуз [36,37],Дональд [38], Jibu и Yasue [39], Бом и Хили [40], Стапп [41],Hameroff [42,43], Лоуэр [44], Хили и Pylkkanen [45], Deutsch [46]и другие.

Поиск информации в World Wide Web (WWW) через поис-ковые системы превратился в ежедневную привычку масс людейи необходимый инструмент для выполнения множества функций.В идеале поисковик ищет информацию, запрашиваемую пользо-вателем, среди миллиардов веб-страниц в режиме реального вре-мени, а также производит оценку рейтинга результатов, причемрейтинги выстраиваются в соответствии с ожиданиями пользова-телей. В настоящее время один из самых эффективных поискови-ков – поисковик Google. Принципиально новым в его работе яв-ляется классификация и ранжирование веб-страниц на основевзаимосвязей между ними через гиперссылки [47], а не только пу-тем использования их собственных функций (например, содержи-мого страницы). Алгоритм поисковика Google, известный какPagrank (PR) [48], уходит своими корнями в свойства процессадиффузии [49,50,51,52], который имитируется в навигации повеб-страницам как случайное движение по пути гиперссылок. По-сле того, как был достигнут «взрывный» успех Google, техноло-гиям навигации уделяется постоянное внимание. Огромные базыданных преобразовываются в сложную сеть взаимозависимыхэлементов. Примеры вышеописанного включают такие разныесферы деятельности как классификация видов в экосистемах [53]и оценка влияния ученых в различных отраслях науки [51]. Вэтих примерах PR успешно производит классификацию, в кото-рой значение и статус каждого элемента соотносится с системой вцелом. Недавние исследования [54] показали, что в основе успехаPR-навигации лежит классификации сетевых элементов в соот-ветствии с их глобальной ролью, свободно-масштабный(ScaleFree) характер большинства реальных сетей [55,56]. Струк-турные свойства социальных сетей влияют на общий результатпроисходящих в них динамических процессов [57- 62].

Недавно динамическая настройка диффузии информации всети была распространена и на квантовую область [19,48]. В этомконтексте «случайные квантовые блуждания» уже продемонстри-ровали свой потенциал для практических целей, поскольку ониобеспечивают большую скорость, чем классические алгоритмыпоиска в несортированных базах данных [63,64]. (Квантовые ал-горитмы обычно нуждаются в специально-приготовленных базахданных с квантовыми свойствами). Учитывая успехи научных ра-бот последнего времени, многими исследователями планируетсяизучение возможности применения квантовых случайных блу-жданий для ранжирования элементов в больших сложных сетях,то есть развитие квантового алгоритма, который улучшает функ-ционирование PR на основе чисто квантового подхода [65,66].Для достижения этой цели идет работа по расширение примени-мости квантового протокола PR для нахождения надежного иуникального рейтинга элементов сети. Используются новые воз-можности по организации поиска информации с учетом ее коге-рентности.

Известны ряд сетей, систем, в которых нарушаются классиче-ские законы вероятности. Например, к ним относятся контексту-ально-зависимые адаптивные системы [67,68,69,70]. В статье [71]авторы находят эквивалентность между квантовым и классиче-ским описанием ряда сетевых топологий, которым соответствуютэнтропия фон Неймана (квантовое описание) и энтропия Шенно-на (классическое описание). Целый ряд работ посвящен проблемеэнтропии социальных сетей [72,73,74]. В сложной сети различ-ные группы узлов могут существовать в течение разного количе-ства времени (иметь различный «возраст»), что имеет большоезначение для выявления эволюционной истории сети и ее свойств[75,76].

Теория информации Шеннона и классическая теория вероят-ности игнорируют семантические аспекты информации. Такаястратегия вполне успешна в описании передачи информации,поэтому стала основой теории современной телекоммуникации итехнологии передачи в сети. Внедрение Web 2.0 существенно из-меняет способы общения в сети [76]. Facebook стал «точкойсборки» в повседневной жизни многих людей, соединяя их в со-общества, решающие общие проблемы и выполняющие некото-рые задачи. Новости и комментарии о стихийных бедствиях

(например, связанных с цунами), и политических событиях(например, антиправительственных протестах) в Twitter [77]передаются быстрее, чем в традиционных СМИ. В результате напервый план выходит социальный аспект передаваемой информа-ции. Семантический и человеческий фактор становится настольковажным, что им уже нельзя пренебречь [76].

Есть существенное различие между передачей социальнойинформации и информации физической. Передача информации отузла к узлу в социальной сети – всегда проявление социальноговзаимодействия [78]. Динамичные социальные сети слишкомсложны, чтобы их могла описать любая классическая вероятност-ная модель. Последние годы масса исследований проводилась длятого, чтобы обнаружить в сетях мезоскопические структуры ввиде взаимодействующих сообществ, кластеров, которые образу-ются при передаче социально-значимой информации в социаль-ных сетях, в тех случаях, когда мысли, чувства или действия че-ловека разделяются множеством других людей [3,79,80].

Cети используются и для моделирования систем, в которыхагенты – лица, представленные узлами, взаимодействуют друг сдругом. Такое представление данных привело к пониманию меж-дисциплинарного характера изучения сетей [81]. Сети могут бытьописаны с помощью взаимодействий сетей-подструктур локаль-ного, глобального и среднего масштаба (мезо-масштабного уров-ня). Напрашивается аналогия – в квантовой механике такжебольшой интерес вызывают отличающиеся по свойствам от ми-кро- и макро- структур мезо-структуры. К разработке алгорит-мического определения различных сетевых мезо-масштабныхструктур прилагаются большие усилия. В частности, проводилосьалгоритмическое выявление и исследование определенного типамезо-масштабных структур, известных как структуры сообществ[6], в которых сплоченные в группы сетевые сообщества состоятиз плотно связанных друг с другом узлов. Разработаны методикиобнаружения сетевых сообществ, в том числе тех, для которыхобычны пересечения с другими сообществами [82 - 86]. Эти уси-лия исследователей привели к практическому применению в та-ких приложениях, как комитеты участвующих в голосовании (вполитике), «сетей дружбы» в университетах и других учебныхзаведениях, сетей взаимного общения мобильной связи [81]. Хотяизучение структуры сообществ идет вполне успешно [3,6], в этой

сфере остается множество нерешенных вопросов. Пересекающи-еся и непересекающиеся кластеры сообществ, перекрытияотдельных узлов, перекрытия иерархии общин с различной топо-логией – по-прежнему актуальный предмет исследования [48].Имеет значение контекстуальное интерпретирование информа-ции. Ценность информации может резко изменяться и может вбольшой степени зависеть от того, насколько люди доверяют ка-налам передачи информации и как их используют [87]. Постоянноотслеживается, как топология сети Интернет развивается с тече-нием времени. В статье [88] авторы исследовали эволюцию топо-логии Интернета с января 2002 по январь 2010 года, изучая дина-мику восьми наиболее часто используемых показателей состоя-ния топологии. Установлено, что распределение большинства по-казателей остается неизменным, за исключением средней длиныпути и коэффициента кластеризации. Средняя длина пути с 2005года медленно и стабильно растет, а средний коэффициент кла-стеризации неуклонно снижается.

По мнению профессора физического факультета Университе-та Майами Н. Джонсона, рост числа скрытых экстремальных ко-лебаний, провоцированный постоянным уменьшением времениотклика в сети автоматических трейдерских систем, способен се-рьезно дестабилизировать финансовые рынки. Джонсон – веду-щий автора статьи [89] «Финансовые «черные лебеди»управляются экосистемой сверхбыстрых вычислительныхмашин», опубликованной на сайте электронных препринтов уни-верситета. Скорость, с которой совершаются автоматизированныесделки внутри таких систем, уже давно лежит в подпороговой,недоступной для человека миллисекундной зоне. Убыстряющая-ся, согласованная работа компьютерных алгоритмов, автоматизи-рующих куплю-продажу огромных массивов акций и других фи-нансовых инструментов стала причиной 18,5 тысяч сверхбыстрыхэкстремальных колебаний цен на американском фондовом рынкеза период с 2006 по 2011 год. Из-за особенностей программныхалгоритмов, склонных к мгновенному автоусилению какого-то од-ного сигнала, колебания могут синхронизироваться, а рынок –«сваливаться» в состояние фазового перехода.

В известной статье «The Quantum Internet», опубликованной вбазе данных Корнельского университета Кимбл [90] описал наи-

более перспективные с его точки зрения инструменты и техноло-гии создания квантового Интернета (Рис.1).

Рис.1

По его мнению, реализация сетей, состоящих из квантовыхузлов и каналов, увеличивает эффективность вычислений посравнению с классическими сетями, а также сетями, состоящимииз квантовых узлов и классических каналов связи. Кроме того,этот подход может решить такие невыполнимые ранее задачи, какдистрибуция и обновление квантового программного обеспече-ния. Квантовые сети уже существуют в реальности. Так, автор

статьи [91] рассматривает сеть, построенную на основе техноло-гий квантовой электродинамики в оптических резонаторах. Приэтом реализацией кубита является атом, имеющий дипольныймомент, помещенный в оптический резонатор, что позволяет из-бежать такого недостатка представления кубитов в виде одиноч-ных фотонов, как сложность обеспечения взаимодействий междуфотонами без их поглощения.

С помощью квантовых процессов возможно моделированиеКП процессов (в том числе – характеристик социальных сетей),которые описываются тождественными математическими законо-мерностями. Пока для этого используют «обычные» компьютеры,но идет работа над компьютерами квантовыми, которые предна-значены и для моделирования различных квантовых и КП состоя-ний [20]. Модели сложных квантовых систем обычно основанына теории графов [4]. Создание квантовой сети – фундаменталь-ная цель квантовой информатики. Квантовые сети составлены изквантовых узлов, которые могут соединяться между собой клас-сическими или квантовыми коммуникациями [48,90,91]. Разрабо-тано несколько схем, использующих запутанность квантовыхкоммуникаций, таких как телепортация и квантовая криптография(которая позволяет вести безопасную коммуникацию). Хорошоизучены запутанные состояния, состоящие из двух частиц, подси-стем. Для квантовой обработки информации потенциально болееценна (но менее хорошо изучена) многочастичная запутанность.Когда узлы заключены в небольшой пространственной области,построение квантовой сети становится тривиальной задачей. Од-нако, из-за быстрого нарастания декогеренции, коммуникаци-онное расстояние строго ограничено, и коммуникация набольших расстояниях становится невозможной. Становятся необ-ходимы квантовые ретрансляторы. Если узлы удалены на расстоя-ния порядка сотен километров, то это налагает сильные ограни-чения на параметры квантовой сети [19].

Есть ряд предложений по технологиям квантовых сетей[92,93,94] основанных на потребности в ретрансляторах [95],необходимых для их устойчивого функционирования [19]. Чтобыпостроить некоторые типы квантовых сетей используют протоко-лы квантовой перколяции [96,97,98]. Например, квантовая версияалгоритма Pagerank – Quantum rank (QR) имеет нетривиальныесвойства и значительно выигрывает относительно классической

версии. Алгоритм Quantum rank реализуем на базе «обычных»компьютеров, он не требует для своей реализации именно кванто-вых компьютеров. Однако в настоящее время исследования про-ведены только с маленькими сетями. Вычисления с квантовымPagerank в больших сетях со всеми свойствами сложной реаль-ной сети [24,25,48] пока не проводились.

Ю. Грейсманн и Р. Миккулайнен [99] (факультет компьютер-ных наук Университета штата Техас – США) построили искус-ственную нейронную сеть под названием, которая умеет запоми-нать и пересказывать истории. Авторы обучили ее и затем смоде-лировали несколько гипотетических нейродисфункций, предполо-жительно ответственных за развитие шизофрении, сравниваяпроизведенные эффекты с реальными отклонениями, наблюдае-мыми в группе больных шизофренией. Не исключено, что подоб-ные дисфункции будут возникать в бурно развивающихся соци-альных сетях с семантическими свойствами.

Заключение. Для объяснения наблюдаемых временно-топо-логических корреляций в социальных сетях перспективны разра-ботки адаптивных моделей сети, использование их КП свойств.Несмотря на технические трудности, ожидается введение в широ-кую практику квантовых сетей. Моделирование КП структуры со-циальных сетей – эффективный инструмент для прикладных меж-дисциплинарных исследований, в частности – разработки кванто-вых поисковых алгоритмов, таких как Quantum rank (QR) (Рис.2).

Квантовые сети (схематично): (а) Квантовая сеть состоит из квантовых узлов для обработки

и хранения квантовых состояний ‒ и квантовых каналов для рас-пределения квантовой информации.

(б) Квантовый интерфейс между материей и светом. (с) Передача квантового состояния и распределение запутанно-сти между узлом А и В.

(d) Распределение запутанности с использованием ансам-блей большого количества атомов.

Рис. 2.Панель (А) показывает, разницу между положением узлов

сети авиаперевозок в США, полученной при помощи QR и - припомощи PR. В панели (В) (отражена транспортная сеть США),размер узлов пропорционален их рангом в QR (они окрашены взеленый, желтый и красный цвета, если разница между позициейв QR и PR положительна, равна нулю или отрицательна соответ-ственно). В панели (С) и (D) отражены узлы с положительными иотрицательными значениями отличий их позиций в QR и PR со-ответственно. В панели (Е) цвет каждой точки обозначает разни-цу в позициях в QR и PR.

1. Никонов Ю. В., Гусев Н.И., Чураков В.С. Элементы тео-рии Лефевра и фазовые переходы в онлайновых социальных се-тях //Гуманитарные и социально-экономические науки. 2011.№ 6.‒ (С. 90- 94).

2. Holme P., Saramaki J. Temporal Networks. 2011. ArXiv: 1108.1780v1.3. Park Y., Moore C., Bader J. Dynamic networks from hierarchical

Bayesian graph clustering. PLoS One. – 2010. 5:e8118. 4. Harrison J., Keating J., Robbins J. Quantum statistics on graphs. 2011.

ArXiv: 1101.1535v1.5. Kostakos V. Temporal graphs. Physica A. 2009. 388. – Pp.1007-1023.6. Fortunato S. Community detection in graphs. Physics Reports. 2010.

486. – Pp. 75-174. 7. Сайт NetworkX http://networkx.lanl.gov/index.html –20120

8. Whitfield J., Rodrıguez-Rosario C., Aspuru-Guzik A. Quantumstochastic walks: A generalization of classical random walks and quantumwalks. Phys. Rev. A 81. 2010. P. – 022323.

9. Galindo A., Mart.ın-Delgado M. Information and computation: Classicaland quantum aspects. Rev. Mod. Phys. 74. 2002. – Pp. 347- 423.

10. Korepin V., Xu Y. Entanglement in Valence-Bond-Solid States.International Journal of Modern Physics B. 2010. 24. – Pp. 1361- 1440.

11. Perseguers S. et al. Entanglement distribution in pure-state quantumnetworks. Phys. Rev. A. 2008. 77. – P. 022308.

12. Shuai X. et al. Does Quantum Interference exist in Twitter? 2011.ArXiv: 1107.0681v1.

13. Albert R., Barabasi A.-L. Statistical mechanics of complex networks.Rev. Mod. Phys. 2002. 74. – Pp. 47-97.

14. Bianconi G., Barabasi A. – L. Bose-Einstein Condensation in ComplexNetworks // Phys. Rev. Lett. – 86, 2001. – P. 5632.

15. Bianconi G. Quantum statistics in complex networks // Phys. Rev. E 66.2002. – P. 056123.

16. Castellano C., Fortunato S., Loreto V. Statistical physics of socialdynamics. Rev Mod Phys. 2009. 81. – Pp. 591- 646.

17. Szegedy M. Quantum Speed-Up of Markov Chain Based Algorithms.Proceedings of the 45th Annual IEEE Symposium on Foundations of ComputerScience. 2004. – Pp. 32 - 41.

18. Garnerone, S., Zanardi, P., Lidar, D. Adiabatic quantum algorithm forsearch engine ranking. 2011. ArXiv: 1109.6546.

19. Paparo G., Martin-Delgado M. Google in a Quantum Network. 2011.ArXiv: 1112.2079v1.

20. Alicea J, Oreg Y., Refael G., von Oppen F. and Fisher M. P. A. Non-Abelian statistics and topological quantum computation in 1D wire networks.2010. arXiv:1006.4395v1.

21. Hooyberghsa H. et al. Ising model for distribution networks. 2011.ArXiv: 1105.5329v1.

22. Asano M., Basieva I., Khrennikov A., Ohya M., Yamato I. A generalquantum information model for the contextual dependent systems breaking theclassical probability law. 2011. ArXiv: 1105.4769v1

23. Wright R. Statistical structures underlying quantum mechanics andsocial science. 2003. ArXiv: quant-ph/0307234.

24. Wei Z., W. Wang, B., Han, X. Quantum Small-world Networks. 2011.ArXiv: 1111.0407.

25. Wiersma D. Random Quantum Networks. 2010. Science 327. – P. 1333.26. Vol E. Simple Quantum Model of Learning Explains the Yerkes-

Dodson Law in Psychology. 2012. arXiv:1202.1893v1.27. Khrennikov A. Brain as quantum-like computer. 2002. ArXiv:quant-

ph/0205092v8.28. Whitehead A. Process and Reality: An Essay in Cosmology. Macmillan

Publishing Company. – 1929. New York.

29. Whitehead A. Adventures of Ideas. Cambridge Univ. Press. – 1933.London.

30. Whitehead A. Science in the modern world. Penguin. – 1939. London. 31. Orlov Y. The wave logic of consciousness: A hypothesis. Int J Theor

Phys 1982. 21(1). – Pp. 37– 53.32. Hiley B. Non-commutavive geometry, the Bohm interpretation and the

mind-matter relationship. Proc. CASYS. – 2000. Liege Belgium. 33. Albert D. Loewer B. Interpreting the many worlds interpretation.

Synthese 1988. 77. – Pp. 195-213.34. Albert D. Quantum mechanics and experience. Cambridge, Mass. –

1992. Harvard Univ. Press. 35. Lockwood M. Mind, Brain and Quantum. Oxford. – 1989. Blackwell. 36. Penrose R. The emperor’s new mind. Oxford Univ. Press. – 1989. New-

York. 37. Penrose R. Shadows of the mind. Oxford Univ. Press. – 1994. Oxford. 38. Donald M J. Quantum theory and brain. Proc. Royal Soc. A. 1990. 427.

– Pp. 43-93.39. Jibu M, Yasue K. A physical picture of Umezawa’s quantum brain

dynamics. In Cybernetics and Systems Research. ed. R. Trappl. World Sc. –1992. London.

40. Bohm D, Hiley B. The undivided universe: an ontological interpretationof quantum mechanics. Routledge and Kegan Paul. – 1993. London.

41. Stapp H. Mind, matter and quantum mechanics. – 1993. Springer-Verlag. Berlin-New York-Heidelberg

42. Hameroff S. Quantum coherence in microtubules. A neural basis foremergent consciousness? J of Consciousness Studies. 1994.1. – Pp. 91-118.

43. Hameroff S. Quantum computing in brain microtubules? The Penrose-Hameroff Orch Or model of consciousness. Phil Tr. Royal Sc London A. 1998. –Pp. 1- 28.

44. Loewer B. Comment on Lockwood. British J for the Philosophy of Sc.1996. 47(2). – Pp. 229 -232.

45. Hiley B, Pylkkanen P. Active information and cognitive science. Areply to Kieseppa. In: Brain, mind and physics. Editors: Pylkkanen, P., Pylkko,P., Hautamaki, A. IOS Press. – 1997. Amsterdam.

46. Deutsch D. The Fabric of Reality. How much can our four deepesttheories of the world explain? Publisher Allen Lane. – 1997.The Penguin Press.

47. Brin, S., Page, L. The anatomy of a large-scale hypertextual web searchengine. Comput. Netw. ISDN Syst. 30. 1998. – Pp. 107-117.

48. Sanchez-Burillo E. Navigating and Ranking Complex Networksquantum. 2012. ArXiv:1202.3471v1.

49. Blanchard Ph., Volchenkov D. Introduction to Random Walks andDiffusions on Graphs and Databases. 2011. – Springer.

50. Colizza V., Pastor-Satorras R., Vespignani A. Reaction diffusionprocesses and metapopulation models in heterogeneous networks. NaturePhysics 3. 2007. – Pp. 276 -282.

51. Radicchi F., Fortunato S., Markines B., Vespignani A. Diffusion ofscientific credits and the ranking of scientists. Phys. Rev. E 80. 2009. – P056103.

52. Borgs Ch. at al. Sublinear Time Algorithm for PageRank. Computationsand Related Applications. Towards Linear Time Overlapping Community.Detection in Social Networks. 2012. ArXiv: 1202.2771v1.

53. Allesina, S., Pascual, M. Googling food webs: can an eigenvectormeasure species importance for coextinctions? PLoS Comput. Biol. 5. 2009. – P.e1000494.

54. Goshal, G., Barabasi, A.-L. Ranking stability and super-stable nodes incomplex networks. Nature Communications 2. 2011. – P. 394.

55. Boccaletti, S. et al. Complex networks: Structure and dynamics. Phys.Rep. 424. 2006. – Pp. 175 -308.

56. Newman M. The structure and function of complex networks. SIAMReview 2003. – Pp. 167-256.

57. Vespignani A. Modelling dynamical processes in complex socio-technical systems. Nature Physics 8. 2012. – Pp. 32-39.

58. Watts D. Strogatz, S. Collective dynamics of “smallworld” networksNature 393. 1998. – Pp. 440 -442.

59. Szabo G., Fath G. Evolutionary games on graphs. Phys. Rep. 446.2007. –

Pp. 97-216. 60. Roca C., Cuesta J. Sanchez, A. Evolutionary game theory: temporal and

spatial effects beyond replicator dynamics. Physics of Life Reviews 6. 2009. –Pp. 208 -249.

61. Arenas A. et al. Synchronization in complex networks. Phys. Rep. 469.2008. – Pp. 93-153.

62. Dorogovtsev S., Goltsev A. Mendes J. Critical phenomena in complexnetworks. Rev Mod. Phys. 80. 2008. – P. 1275.

63. Mulken O., Blumen A. Continuous-time quantum walks: Models forcoherent transport on complex networks. Phys. Rep. 502. 2011. – Pp. 37-87.

64. Kempe, J. Quantum random walks - an introductory overview.Contemporary Physics 44. 2003. – Pp. 307 -327.

65. Kendon V. A random walk approach to quantum algorithms. Phil.Trans. R. Soc. A 364. 2006. – Pp. 3407-3422.

66. Nielsen M., Chuang, I. Quantum Computation and QuantumInformation Cambridge University Press. – 2004.

67. Gross T., Blasius B. Adaptive coevolutionary networks: A review. J.Roy. Soc. Interface. 2008. 5. – Pp. 259 - 271.

68. Marceau V. et al. Adaptive networks: coevolution of disease andtopology. 2010. ArXiv: 1005.1299v1.

69. Zhao K, Bianconi G. Social interactions model and adaptability ofhuman behavior. Front. Physio. 2011. 2. – P.101.

70. Prokopenko M. (Ed.) Advances in Applied Self-organizing Systems. 1stEdition. 2008. XII – 376 p.

71. Anand K., Bianconi G., Severini S. The Shannon and the Von Neumannentropy of random networks with heterogeneous expected degree. 2010. ArXiv:1011.1565v2.

72. Bianconi G, Coolen A., Perez-Vicente C. Entropies of complexnetworks with hierarchically constrained topologies. Phys Rev. 2008. E 78. – P.016114.

74. Zhao K., Halu A., Severini S., Biancon G. Entropy rate ofnonequilibrium growing networks. Phys. Rev. 2011. E 8 4 . – P. 066113.

75. Bianconi G., Pin P., Marsili M. Assessing the relevance of node featuresfor network structure. Proc Natl Acad Sci USA. 2009. 106. – Pp. 11433-11438.

76. Ghoshal G., Barabási A.-L. Ranking stability and super-stable nodes incomplex networks // Nature Communications. 2011. 2. – Рp. 1-7.

76. Cabello A., Danielsen L., Lopez-Tarrida A., Portillo J. Quantum socialnetworks. 2011. ArXiv: 1112.0617v1

77. Kwak H., Lee C., Park H., Moon S. What is Twitter, a social network ora news media? In Proceedings of the 19th International World Wide WebConference. – 2010.

78. Bagrow J., Wang D., Barabasi A.-L. Collective Response of HumanPopulations to Large-Scale Emergencies . 2011. LoS One 6:3. – Pp. 1-8.

79. Ahn Y., Bagrow J., Lehmann S. Link communities revealmultiscalecomplexity in networks. Nature. 2010. 466. – Pp. 761-764.

80. Zhao K. et al. Modeling Emerging Coalitions in the context of Inter-organizational Networks: A Case Study of Humanitarian Coordination,International Journal of Intelligent Control and Systems Research. 2009. 14. 1.– Pp. 97-103.

81. Rombach M. Core-Periphery Structure in Networks. 2012.ArXiv:1202.2684v1.

82. Psorakis, I., Roberts, S., Ebden, M., Sheldon, B.: Overlappingcommunity detection using bayesian non-negative matrix factorization. Phys.Rev. E 83. 2011. – P. 066114.

83. Raghavan, U.N., Albert, R., Kumara, S. Near linear time algorithm todetect community structures in large-scale networks. Phys. Rev. E 76. 2007.

– P. 036106. 84. Shen H., Cheng X., Cai K., Hu M. Detect overlapping and hierarchical

community structure. Physica A 388. 2009. – P. 1706. 85. Xie J., Szymanski B. Community detection using a neighborhood

trength driven label propagation algorithm. In: IEEE NSW. 2011. – Pp. 188-195.

86. Zhang S., Wangb R., Zhang X. Identification of overlappingcommunity structure in complex networks using fuzzy c-means clustering.Physica A 374. 2007. – Pp. 483 -490.

87. Goncalves B, Perra N., Vespignani A. Validation of Dunbar's number inTwitter conversations. 2011. ArXiv: 1105.5170v2.

88. Edwards B., Hofmeyr S., G. Stelle G., S Forrest G. Internet Topologyover Time. 2012. ArXiv: 1202.3993v1.

89. Johnson N. et al. Financial black swans driven by ultrafast machineecology. 2012. ArXiv: 1202.1448v1.

90. Kimble H. The quantum internet. Nature (London). 2008. 453. – P.1023.

91. Simon C. et al. Quantum Memories. A Review based on the EuropeanIntegrated Project «Qubit Applications (QAP)». The European Physical Journal.2010. D 58. – Pp. 1 - 22.

92. Lauritzen B. et al. «Telecommunication-Wavelength Solid-StateMemory at the Single Photon Level»; Phys. Rev. Lett. 2010. 104. – P. 080502.

94. Perseguers S., Lewenstein M., Acín A., Cirac J. Quantum randomnetworks. Nature Physics. – 2010. DOI. 10.1038/NPHYS1665.

95. Sangouard N., Simon Ch., de Riedmatten H., Gisin N. Quantumrepeaters based on atomic ensembles and linear optics; Rev. Mod. Phys. 2010.83. – P. 3380.

96. Aciın, A., Cirac, J., Lewenstein M. Entanglement percolation inquantum networks. Nature Physics. 2007. 3. – Pp. 256 -259.

97. Cuquet M., Calsamiglia J. Entanglement Percolation in QuantumComplex Networks. Phys. Rev. Lett. 2009. 103. – P. 240503.

99. Hoffman R. Using Computational Patients to Evaluate IllnessMechanisms in Schizophrenia // Biological Psychiatry. V . 69. I . 10. 2011. – Pp.997-1005.

УДК 316.35

Темпоральность в онлайновых социальных сетях

в психологии и культурологии понятие темпоральности широкоиспользуется для описания таких динамичных объектов, как лич-ность, социальная группа, класс, общество, ценность. Идея ана-лиза взаимодействия движущихся социальных явлений через со-поставление их темпоральности легла в основу методологии тем-порального анализа [20, С. 298]. Понятие темпоральности полу-чило широкое распространение не только в социогуманитарных икогнитивных науках, но и в науках естественных и технических.К темпоральным относят системы, способные к самообучению,саморазвитию, размножению, самосовершенствованию. В этомконтексте время является критерием накопления опыта, эвристик,формирования новых правил, знаний об окружающем мире. Вре-мя является измеряемой и существенной характеристикой такихсистем [13]. Рассматриваемый в этой статье предмет исследова-ния – темпоральность онлайновых социальных сетей.

Онлайн (англ. online, от англ. on line — «на линии») – «нахо-дящийся в состоянии подключения». В отношении программногообеспечения означает «подключённый к интернету» или «функ-ционирующий только при подключении к интернету». Также –«существующее в интернете», «происходящее в интернете». Ча-сто употребляется также прилагательное онлайновый. Данноеслово также часто используется для описания текущей посещае-мости сайта (например, «50 человек онлайн» означает, что в дан-ный момент на сайте находится 50 пользователей).

Онлайновые социальные сети – частный случай социальныхсетей, которые подчиняются закономерностям, присущим всемсетям. Под социальной сетью [2] понимают наличие социальнойструктуры, состоящей из узлов (обычно это лица или организа-ции), которые связаны одним или более типами взаимозависимо-сти, такими, как ценности, взгляды, мнения, идеи, дружба, финан-совые взаимоотношения, конфликты, торговля и т.д. В настоящеевремя широко известны соцсети Facebook, Twitter, российские –«В контакте», «Одноклассники», «Мой Круг».

Специалисты в сфере социальных сетей оперируют термина-ми «узлы» и «связи». Узел – это отдельный агент, актор в преде-лах этой сети. Связи – отношения между узлами. Информацион-ный эффект узла, произведенный всей совокупностью контентаопределяется следующим: Weight, Reaction, Opinion (англ., соот-ветственно – вес, реакция, мнение). Weight – показатель, учитыва-ющий посещаемость площадки или количество пользователей,увидевших контент. Reaction – показатель увлеченности аудито-рии контентом, выраженный в совокупном количестве социаль-ных действий. Opinion – определяется превалированием положи-тельных или отрицательных оценок в общем объеме единицконтента, посвященных объекту [19]. Но не менее важны и вре-менные характеристики узла – например, сколько происходит по-сещений, реакций (положительных и отрицательных) на инфор-мационный повод в единицу времени. Агент соцсети – человеквзаимодействующий с технической системой, поведение которогов определенной степени начинает зависеть от свойств сети, тогосообщества, которое он выбрал. Психофизиологические свойства,возможности человека лимитируют параметры, скорость обра-ботки информации в сети. Так исследования показали, что дажеиспользование сверхсовременных интернет - технологий не меня-ет того факта, что человек не в состоянии поддерживать нефор-мальные отношения, в среднем, с более чем 150 (100 – 200) дру-гих людей [30].

Важное понятие социальных сетей – блог (англ.blog, от weblog — интернет-журнал, интернет-дневник) – веб-сайт, основноесодержимое которого – регулярно добавляемые записи. Эволюцияинтернет-технологий, увеличение скорости прохождения инфор-мации качественно изменило общение в сети интернет. В блогахнаряду с текстовой, фото- информацией все чаще представленыаудиоклипы, видеоклипы со звуковым сопровождением (темпо-ральные системы), содержащие информацию о временных харак-теристиках субъекта – хозяина блога (темп речи, движений, ми-мики, более тонкие личностные особенности). Для блогов харак-терны короткие записи, отсортированные в обратном хронологи-ческом порядке (последняя запись сверху), то есть блоги сохраня-ют собственную историю. Блоги обычно публичны и предполага-ют наличие сторонних читателей, которые могут вступить в пуб-личную полемику с автором (в комментарии к блогозаписи или

своих блогах). В блогах возможны приглашения поучаствоватьсовместно в онлайновой игре с присущими ей темпоральнымиособенностями виртуальной реальности и т.д. В недалеком буду-щем – внедрение технологий 3-D виртуальной реальности, реа-лизация сетей, состоящих из квантовых узлов и каналов.

Модели социальных сетей могут быть отнесены к сложным:они включают в себя самые разные уровни связей от дружеских исемейных до национальных и общечеловеческих. Теория слож-ных систем утверждает, что общие характеристики этих явлений(например, устойчивость, способность к адаптации и т. д.) зави-сят, как правило, не от конкретных объектов, составляющих сеть,а от математических свойств сети в целом: связанности, однород-ности, кластеризации, иерархии. Существует ряд сетей, систем, вкоторых нарушаются классические законы вероятности. Напри-мер, к ним относятся контекстуально-зависимые адаптивные си-стемы. Так, авторы статьи [24] представили новую математиче-скую формулу для вычисления вероятности в таких системах, спомощью понятия адаптивной динамики и квантовой теории ин-формации. А в статье [23] авторы находят эквивалентность между квантовым и классическим описанием ряда сетевых топо-логий, которым соответствуют энтропия фон Неймана (квантовоеописание) и энтропия Шеннона (классическое описание). В слож-ной сети, различные группы узлов могут существовать в течениеразного количества времени, что имеет большое значение для вы-явления эволюционной истории сети. Чтобы раскрыть топологиюсети в настоящее время (или в любой, представляющий интересмомент времени), используются технологии зондирования и спек-трального анализа. Знание возраста различных групп узлов важнодля понимания эволюционного процесса, лежащего в основе сети[29].

Основные примеры контекстуально-зависимых явлений мо-гут быть найдены в квантовой физике, но в последнее времяподобные явления, с квантовоподобными (КП) свойствами былиобнаружены в [4;14;15;26] процессах, изучаемых биологами, со-циологами, экономистами, лингвистами, психологами, психиатра-ми и т.д. Моделирование КП процессов (в том числе – характери-стик социальных сетей) возможно с помощью процессов кванто-вых, которые описываются тождественными математическими за-кономерностями. Пока для этого используют «обычные» компью-

теры, но идет работа над компьютерами квантовыми, которыепредназначены и для моделирования иных квантовых и КП состо-яний [4;22].

Значительная часть теоретиков квантового компьютинга, втом числе Дэвид Дойч [5], придерживаются многомировой интер-претации квантовой механики, в основе которой лежит идея онеобходимости и возможности рассмотрения наблюдателем сово-купности альтернативных образов Реальности [8].

По данным средств массовой информации руководствоGoogle недавно (2011) заявило о планах по созданию собственнойсоциальной сети Google Plus, которая объединит многие сервисыи приложения этой корпорации, в частности Google Maps иGoogle Images и, как полагают эксперты, станет конкурентомFacebook Марка Цукерберга. Отметим, что в будущем эта соци-альная сеть станет доступной и для офисных работников благода-ря консолидации на базе площадки Google Apps – сервиса, разра-ботанного для корпоративного общения в компаниях. Наличиебольшого количества «друзей» в Facebook, по мнению ряда экс-пертов, существенно сказывается на скорости работы сервиса, апотому особое внимание при разработке портала уделено скоро-сти передачи информации. Друзья в соцсети будут распределять-ся в группы, например, «родственники», «коллеги по работе», чтоиспользуется в сервисе ICQ. Новая соцсеть Google Plus дает воз-можность обмениваться «групповыми сообщениями», отправляяих нескольким пользователям одновременно, проводить ви-деоконференции при участии нескольких человек, возможностьпотокового обмена фотографиями и сообщениями, а доступ к нимбудет зависеть от настроек приватности. Более того, она ориенти-рована на пользователя, предоставляя ему статьи и материалы,рекомендованные на основе интересов клиента исходя из историизапросов (то есть исходя из анализа прошлых событий). Появилсяголосовой поиск, который пока работает лишь с английским язы-ком. Если в веб-браузере выбрать пиктограмму с микрофоном, тоактивизируется запись, при помощи которой поисковая системараспознает произнесенное выражение [31].

С 2007 года развивается русскоязычный ресурс «А-я-яй. ру»[21] (компания «Наносемантика») – сайт, по утверждению авто-ров, с помощью которого можно создать виртуальных персона-жей (инфов), которые понимают обычную речь (пока набранные

на клавиатуре тексты). Применяемые технологии позволяютучить инфов новым знаниям, придавать распознаваемые по ихвнешнему виду и речи нужные черты характера. Созданного инфаможно использовать на своих сайтах, в блогах и социальных се-тях. Для своего инфа можно выбрать внешний вид, обучить инфаотвечать на разнообразные вопросы, вынести его на свой сайт,в блог или социальную сеть. Инф может быть вторым «я» пользо-вателя, которое разговаривает в блоге, пока нет «хозяина», а мо-жет быть помощником: секретарём, консультантом в интернет-ма-газине, сотрудником службы техподдержки. Сеть инфов – своеоб-разная модель соцсети – инфы общаются друг с другом, выстраи-вают рейтинги предпочтений и т.д. Постоянно проводится работапо развитию проекта: становится больше «рас» и модификацийинфов, воплощения инфов для разных социальных сетей, работаинфов в ICQ и других мессенджерах, соревнования инфовпо умению вести дискуссию, автоматическое обучение по текстами вебстраницам, функции переводчиков, энциклопедистов.

Возможно, за этим направлением развития сетей (развитиетенденции к множественному, все более сложному представле-нию личности) – большое будущее. Пока проект «А-я-яй. ру» бо-лее востребован детьми и подростками в игровых целях, но ипервый полет братьев Райт мало походил на перелет через океансовременного авиалайнера. В трактовке известного психиатраВиктора Самохвалова [18], поддержанной доктором физико-мате-матических наук А. Гуцем [1] – РМЛ (расстройство множествен-но личности) – основа для развития свойств, необходимых чело-веку следующей фазы развития, человеку будущего. (По В. Само-хвалову, весь спектр будущих свойств человека, состояние его со-знания, мышления, памяти заметны при психических патологияхуже сегодня, и именно душевные заболевания содержат символыбудущего). Основной признак РМЛ, называемого так же диссоци-ативным расстройством личности, альтернирующей или переме-жающейся личностью – видимость существования у человекадвух или более разных личностей, проявляющихся не одновре-менно. Каждая из личностей характеризуется собственнымипредпочтениями, памятью. Обычно обе не имеют доступа квоспоминаниям друг друга. В период преобладания одной из пси-хических субстанций пациент не помнит своей исходной лично-сти и не осознаёт существования других личностей. В

большинстве случаев каждая личность имеет своё имя. Они мо-гут относиться к разному полу, расе, национальности, осознаватьсвою принадлежность к другой семье, а не к той, к которой при-надлежал субъект. Наиболее часто подчинённая личность бываетболее инфантильной. Одна из них может быть крайне экстравер-тированной, сексуально расторможенной, а другая обладать про-тивоположными качествами. Различные личности имеют разныефизиологические характеристики. Например, им требуются не-одинаковые рецепты на очки, а некоторые исследования с исполь-зованием позитронно-эмиссионной томографии и изучения цере-брального кровотока показали метаболические различия у одногои того же человека. Возможны несовпадающие результаты психо-логического тестирования: коэффициента интеллектуального раз-вития – IQ, отличные друг от друга кожно-гальванические реак-ции при проведении теста словесных ассоциаций и т.д. РМЛ –полное развитие тенденции к презентации одной личности в соц-сети в виде двух и более представлений. Кстати, количество ин-фов в проекте «А-я-яй. ру» значительно больше количества поль-зователей. То есть многие пользователи создают не одного, а двухи более инфов – проекций собственных (обычно не вполне осо-знаваемых субличностей).

В работе А.Д. Панова [16] обосновывается вывод о том, чтоэволюция материи, которая началась с Большим Взрывом, не за-канчивается на стадии образования человека разумного, а по всейвероятности продолжается дальше, что должно привести к воз-никновению неких «сверхразумных» форм или «сверхсоциально-го» уровня организации материи, причем точка сингулярности,перехода части человечества в иное состояние уже близка. В каче-стве одной из моделей такой формы он рассматривает галактиче-ское культурное поле, возникающее вследствие обмена информа-ции между космическими цивилизациями, то есть своего рода со-циальную сеть, скорость передачи информации в которой лими-тирована скоростью света. В рамках этой модели механизмом дляперехода от стадии разума к следующему этапу эволюции являет-ся контакт между космическими цивилизациями. По мнениюСергея Переслегина фазовый переход человеческого общества(преодоление постиндустриального барьера) может пройти посамому человеку, внутри его личности. Так архаическое сознаниевоспитанного в традиционном обществе боевика, в сочетании с

использованием интернет-технологий, социальных онлайновыхсетей, спутникового телефона, системы ориентации, наведения ит.д. может таить много сюрпризов [17].

А.А. Ежовым и А.Ю. Хренниковым предложено [6;33;34;35]моделирование методами статистической физики и нахождениеравновесных состояний в социальных сетях, состоящих из взаи-модействующих агентов с различными профилями функциональ-ной асимметрии головного мозга (ФА ГМ). Гипотеза о связи эти-ческих систем по В. Лефевру [10;11] с доминантностью полуша-рий головного мозга позволила им использовать теорию рефлек-сивных структур в социальных моделях вообще и в моделях со-циальных сетей в частности [6]. Согласно гипотезе агенты моде-ли – это люди, которые работают, общаются, создают ценности иобмениваются ими. Причем, агенты стремятся сохранить свойфизический и ментальный ресурс. При обмене они могут удержи-вать часть имеющегося ресурса и обладать такой, связанной современем характеристикой, как память.

Двум базовым стратегиям агентов соответствуют две кванто-вые статистики (Бозе – Эйнштейна и Ферми – Дирака) [6]. Двеквантовые статистики основываются на наличии притяжения иотталкивания агентов. Конкурентная среда у левополушарныхлюдей отражена в модели в отталкивании фермионов, а коопера-ция правополушарных соотносится с притяжением бозонов. Двебазовые стратегии агентов определяют и два возможных прогнозабудущего – персистентность и антиперсистентность. (Перси-стентность свидетельствует о наличии в системе процессов, под-держивающих (в целом) наметившиеся тенденции к изменениюее состояния, а антиперсистентность, наоборот, о процессах, пре-пятствующих изменению состояния системы) [12].

Агент модели имеет две доминирующие цели – выжить (ори-ентация на потребление материального ресурса) и остаться чело-веком (ориентация на сохранение самоуважения, профессиона-лизма).

Таким образом, историю агента можно представить в видетрехсимвольной последовательности. Исходя из допущения, чтомозг работает только с бинарными кодами, трехсимвольные по-следовательности (из чисел 1, 2 и 3) проектируются на бинарные.Из этого следует, что: 1) В каждом случае информация о событи-

ях станет неполной; 2) Выбор бинарной кодировки станет неопре-деленным.

Авторами модели проведено компьютерное моделированиеситуации, в котором агенты меняют свои свойства в результатефазового перехода. Если предложение ресурсов мало отличается вразных профессиональных нишах, то обе кодировки дополни-тельны для ансамблей обоих типов агентов. Если же распределе-ние материального ресурса достигнет высокой степени неравен-ства, то симметрия наборов памяти двух типов однородных аген-тов нарушится. В обществе с резко неравномерным предложени-ем материального ресурса, у агентов возникают специфическиедля них кодировки памяти, то есть появляются две несовпадаю-щие истории событий [6]. В контексте свойств социальных сетей,степень неравенства предложения материального ресурса, это истепень неравенства возможностей доступа различных слоев на-селения к социальным сетям интернета (что подразумевает на-личие некоторого минимума доходов и образовательного уровня).

Представляется, что многоагентная модель может описыватьи фазовый переход человечества в новое «постсингулярное» со-стояние. Причем этот переход совершит именно часть человече-ства, значительное количество останется на уровне прежней фазыразвития.

Эволюционная теория асимметризации организма, мозга ипарных органов предложена В.А. Геодакяном [3]. Теория объяс-няет с единых позиций многие явления, связанные с асимметриейв строении человека и животных. Эволюция мужского пола и ле-вого полушария начинается и кончается раньше, чем соответ-ственно женского пола и правого полушария. Новые функции вфилогенезе появляются сначала в генотипе мужского пола, потомпередаются женскому, а центры управления ими появляются сна-чала в левом полушарии, а потом перемещаются в правое. Крите-рий локализации функций по полушариям – их эволюционныйвозраст: молодые функции управляются левым полушарием, астарые – правым. Левое полушарие, мужской пол сопряжены соперативной подсистемой обработки информации. Правое полу-шарие, женский пол сопряжены с консервативной подсистемойобработки информации. Теория Геодакяна позволяет установитьсвязь функциональной асимметрии головного мозга, асимметриирук, и других парных органов с полом, онтогенезом и филогене-

зом и успешно предсказывать новые факты. Введенное Геодакяномпонятие «экологической ниши» имеет смысл не только для живыхсистем, но и для любых, в том числе социальных (очевидна анало-гия с «профессиональной нишей» в многоагентной модели). Живаясистема, взаимодействуя со средой, может адаптироваться (в широ-ком смысле этого слова) – и изменить свою экологическую нишу,что соответствует, например, фазовому переходу в многоагентноймодели, в том числе и в динамике социальных сетей [6].

Согласно Владимиру Лефевру, известному и как автор моно-графии «Космический субъект» [10], ментальные феномены – видсуществования термодинамических характеристик нейронных се-тей, проводящих вычислительные процессы. Связь между ка-ким-либо ментальным процессом и функционированием реальныхнейронных сетей подобна связи между температурой некоторогообъема газа и конкретным индивидуальным движением составляю-щих его частиц. Он пишет об успешном применении модели Изин-га, созданной для теоретического представления физических про-цессов, протекающих в твердых телах, для описания вычислений вформальных нейронных сетях. Важно, что модель Изинга применя-ется и в моделях социальных сетей [7;36]. Лефевр [10] создал фор-мальную модель субъекта, совершающего выбор одной из двух по-лярных альтернатив – «биполярный выбор». Анализ этой моделипозволил вскрыть формальную связь между рефлексией и функци-онированием нейронных сетей, законами термодинамики.

Негомогенные сложные сети с различными свойствами узлов[26;27] демонстрируют смешанную квантовую статистику (стати-стику анионов). Дж. Бьянкони [26;27], Бьянкони и Барабази [25]показали, что статистика Бозе – Эйнштейна описывает и расту-щую (путем добавления и удаления новых узлов) интернет-сеть.Деррида и Лебовиц обнаружили [32] при рассмотрении асиммет-ричных процессов, что Бозе – Эйнштейновская конденсация мо-жет возникать в классических системах, далеких от тепловогоравновесия. Существенным условием для появления подобногораспределения является то, что в данном случае случайная мигра-ция частиц в пространстве импульсов зависит от степени занято-сти состояний этого пространства. Это типично для многих нели-нейных систем. Бьянкони обнаружила, что растущее дерево Кэли,имеющее качественно различные узлы и тепловой шум, описыва-ется статистикой Ферми – Дирака [26]. При математическом моде-

лировании изменяющихся сетей, в том числе эволюционирующихпопуляций, имеющих и не имеющих разделение по половому при-знаку, ей найдены глубокие связи между математикой биологиче-ской эволюции и формализмом квантовой механики. Ей же уста-новлено что распределения Бозе – Эйнштейна и Ферми – Дирака,как частные случаи эволюционирующих сетей, описывают стацио-нарные состояния биологических популяций в простых случаях.Математические модели Дж. Бьянкони [26;27] могут быть по-лезными и для формализации динамики социальных сетей, воз-можного перехода их в «постсингулярное» состояние.

В последнее время усиленно изучаются (теоретически ипрактически) неабелевы анионы [22,28] (к ним относятся анионыФибоначчи и анионы Изинга), для коллективных состояний кото-рых возможны фазовые квантовые переходы. Анионы – квазича-стицы, «топологические солитоны», «возбуждения», «вихри», в 2– мерной (2-D) системе сильно скоррелированных электронов, на-ходящихся в мощном магнитном поле, при температуре, близкойк абсолютному нулю [28;38]. Квазичастицы предполагается ис-пользовать для создания топологических квантовых компьюте-ров, которые смогут, в частности, моделировать иные квантовые иквантовоподобные состояния.

Многоагентная модель А.А. Ежова и А.Ю. Хренникова –частный случай эволюционирующей сети, применимый к дина-мике социальных сетей, в том числе – сетей интернета [37]. Со-гласно их модели, в обществе с резко неравномерным предложе-нием материального ресурса, у агентов возникают специфическиедля них кодировки памяти. Неравенство доступа к интернет-ре-сурсам – онлайновым социальным сетям может, в соответствии сданными Ежова и Хренникова [6] вести к фазовому переходу срезким сдвигом установок, поведения масс людей. Социальныесети могут иметь КП свойства статистик Бозе – Эйнштейна, Фер-ми – Дирака, анионов. Предполагается с целью моделированиянекоторых КП аспектов социальных сетей использовать матема-тический аппарат топологических квантовых фазовых переходовквазичастиц в 2-D системах (что возможно при помощи «обыч-ных», неквантовых компьютеров). Возможно, именно в этой сфе-ре оптимально моделирование перехода к когнитивной, постсин-гулярной фазе развития человеческого общества.

Модель Ежова-Хренникова – возможная формализация этихпроцессов. Изучение квантовоподобных свойств, переменной то-пологии психики и социальных сетей важны для более глубокогопонимания природы человека, перспектив его развития. Социаль-ные сети – могут послужить основой для организации рефлексив-но-активных сред инновационного развития с соответствующимитехнологиями. Социальные сети – частный случай активных срединновационного развития, ориентированных на множественныераспределенные источники инноваций. Вышеуказанные положе-ния, кроме теоретического значения могут послужить вкладом вфундамент VII социогуманитарного технологического уклада вРоссии (в настоящее время идет подготовка к переходу к VI тех-нологическому укладу – внедрение нано-, био-, информационныхи когнитивных технологий). В том числе, это развитие тенденциик множественному представлению личности в сетях с квантово-подобными свойствами. По мнению В.А. Лепского [9], есть се-рьезные основания полагать, что технологиями седьмого техноло-гического уклада будут социогуманитарные технологии и в пер-вую очередь технологии формирования новых форм жизнедея-тельности, конструирования социальной реальности. Возможно,это произойдет, наряду с иными изменениями, в результате фазо-вого перехода ныне существующих социальных сетей, выхода напервый план малоизвестных широкому кругу интернет-техноло-гий типа технологии «инфов».

1. Гуц А.К. Элементы теории времени.− Омск: ИздательствоНаследие. Диалог-Сибирь, 2004. – 376 с.

2. Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социаль-ные сети: модели информационного влияния, управления и про-тивоборства. – М.: Физматлит, 2010. – 228 с.

3. Геодакян В.А. Эволюционные теории асимметризации ор-ганизмов, мозга и тела //Успехи физиологических наук. 2005. Т.36. № 1. – (С. 24 - 53).

4. Данилов В.И. Моделирование некоммутирующих измере-ний // Журнал новой экономической ассоциации. 2009. № 1– 2. –(С. 10- 36).

5. Дойч Д. Структура реальности.− Ижевск: НИЦ «Регуляр-ная и хаотическая динамика», 2001. – 400 с.

6. Ежов А.А., Терентьева С.С. Асимметрия мозга, неравен-ство и многоагентные модели //Современные направления иссле-дований функциональной межполушарной асимметрии и пла-стичности мозга. Материалы Всероссийской конференции с меж-дународным участием.− М.: Научный мир, 2010. – (С. 20 - 24).

7. Згуровский М.З., Померанцева Т.Н. Методы принятия ре-шений в социальных системах на основе спиновых моделейИзинга //Проблемы управления и информатики. 1995. № 1. – (С.89 - 97).

8. Ильичев Л.И. Трудности онтологической концепции кван-тового состояния при наличии причинных петель. Сайт МЦЭИhttp://www.everettica.org/news.php3

9. Лепский В. Е. Рефлексивно-активные среды инноваци-онного развития. – М.: Изд-во «Когито-Центр», 2010. – 255 с.

10. Лефевр В.А. Рефлексия. – М.: «Когито-Центр», 2003. –496 с.

11. Лефевр В.А. Лекции по теории рефлексивных игр. − М.:«Когито-Центр», 2009. – 218с.

12. Марков А.А. Некоторые фрактальные свойства фондовыхиндексов//Сегодня и завтра российской экономики. 2009. №30. –(С. 103- 112).

13. Мешков В. Е., Мешкова В. Е., Чураков В. С. Время в си-стемах искусственного интеллекта // Проблема времени в культу-ре, философии и науке: сб. науч. тр. / Под ред. В.С. Чуракова.(Библиотека времени. Вып. 3). – Шахты: Изд-во ЮРГУЭС, 2006.– (C. 20 - 24).

14. Никонов Ю.В. Межполушарная асимметрия головногомозга и квантовые статистики при алкогольной зависимо-сти //Асимметрия. 2010. Т. 4. № 1. – (С. 12 - 23).

15. Никонов Ю.В. Квантовые статистики и время при алко-гольной зависимости //Формы и смыслы времени (философский,теоретический и практический аспекты изучения времени): сб.научн. тр./под ред. В.С.Чуракова (серия «Библиотека времени».Вып. 7) – Новочеркасск: Изд-во ‹‹НОК››, 2010. – (С. 379 - 390).

16. Панов А.Д. Универсальная эволюция и проблема по-иска внеземного разума (SETI)/Послесл.Л.М.Гиндлиса.− М.: Из-дательство ЛКИ, 2008. – 208 с.

17. Переслегин С., Преслегина Е. Война на пороге. Гильбер-това пустыня.− М.: Изд-во Эксмо; Яуза, 2007. – 664 с.

18.Самохвалов В.П. Психический мир будущего.− Симферо-поль: Изд-во КИТ, 1998 .– 400 с.

19. Смирнов А. Модель измерения социальных медиа длябизнеса. Показатели и примеры использования 22.04.2011

//http://rocid.ru/files/events/rif11/presentations/22apr.s53-a.smirnov.pdf

20. Современная западная философия: словарь / СоставителиВ.С. Малахов, В.П. Филатов. – М.: Политиздат, 1991. – 414 с.

21. Сайт http://iii.ru/about.22. Alicea J, Oreg Y., Refael G., von Oppen F. and Fisher M. P. A.

Non-Abelian statistics and topological quantum computation in 1Dwire networks. 2010. arXiv:1006.4395v1.

23. Anand K., Bianconi G., and Severini S. The Shannon and theVon Neumann entropy of random networks with heterogeneousexpected degree. 2010 arXiv:1011.1565v2.

24. Asano M., Basieva I., Khrennikov A., Ohya M., Yamato I.A general quantum information model for the contextual dependentsystems breaking the classical probability law. 2011.arXiv:1105.4769v1

27. Bianconi G., Raymede Ch. Quantum mechanical formalismfor biological evolution. 2010. arXiv:1011.1523v1.

28. Gils Ch., Trebst S., Kitaev A., Ludwig A. W. W., Troyer M.,Wang Zh. Topology-driven quantum phase transitions in time-reversal-invariant anyonic quantum liquids // Nature Physics 5. 2009.P. 834 – 839.

29. Guimei Zh., Huijie Y., Rui Y., Jie R., Baowen L., Ying-Cheng L. Uncovering Evolutionary Ages of Nodes in ComplexNetworks. 2011. arXiv:1107.1938v1

30. Goncalves B, Perra N., Vespignani A. Validation of Dunbar'snumber in Twitter conversations. 2011. arXiv:1105.5170v2.

31. Google. http://www.google.ru/intl/ru/about.html32. Derrida B., Lebowitz J. L. // Phys. Rev. Lett. – 80, 1998. –

P.209.

34. Ezhov A. A., Khrennikov A. Yu. On ultrametricity andsymmetry between Bose-Einstein and Fermi-Dirac systems // AIPConf. Proc. – 826, issue 1, 2006. – P. 55- 64.

37. Perseguers S., Lewenstein M., Acín A., Cirac J. I. Quantumrandom networks. Nature Physics, 2010; DOI: 10.1038/NPHYS1665

38. Wung – Hong Huang. Boson-fermion transmutation and thestatistics of anyon.

// Phys. Rev., E 51, 1995. – P. 3729 - 3730.

Приложение I.

В последние годы все больший интерес исследователей при-влекают многослойные-мультиплексные временные сетевыеструктуры [2,3,4,5], которые могут описывать несколько типоввзаимодействия между одним и тем-же набором узлов сетей.Многие социальные сети, в которых одни и те же люди-узлы сетимогут быть связаны через разные типы сетей, таких как сетидружбы, сотрудничества, соавторства, родства хорошо описыва-ются мультиплексными сетями. Мультиплексные сети образованыслоями, которые обычно имеют свойства сетей безмасштабных(scale-free), и состоят из узлов, количество которых нарастает вовремени. (Рис.1). К многослойным сетям относят и гиперсети, ко-торый описывают обычно при помощи гиперграфов [3].

Джинестрой Бьянкони с коллегами было установлено, чтолинки-связи узлов сложных растущих безмасштабных сетей мо-гут описываться при помощи квантовой статистики Бозе-Эйн-штейна. При определенных условиях (когда в сети появляется«супер-узел» хаб, который «притягивает» значительную частьлинков, динамика такой сети подчиняется формализму конденса-ции Бозе-Эйнштейна. Происходит фазовый переход сети (части-

цы-бозоны при этом массово переходят на уровень с минималь-ной энергией) в новое состояние. В тоже время растущие узлы со-циальной сети, образующие структуру дерева Кэли, могут подчи-няться статистике Ферми-Дирака [3].

В июле 2014 года Бьянкони обнародовала новую статью [1] вкоторой показала, что в растущих мультиплексных сетях симмет-рии многослойных структур могут быть описаны как сочетаниеквантовых статистик Бозе-Эйнштейна и Ферми-Дирака. Мульти-плексные сети представляет собой многослойную систему, об-разованную из N узлов, имеющих копию в каждом из слоев М иМ слои образуют различные сети взаимодействий между узламиN. Супер-мультиплексы формируется из слоев, представляющихбезмасштабные сети и могут отображаться формализмом Бо-зе-эйнштейновской конденсацией из линков. Каждый слойсупер-мультиплекса интерпретируеется как чистое квантовоедвухчастичное состояние, имеющее характеризующее его энтро-пию запутывания. Бьянкони обнаружено простое соотношениемежду энтропией запутанности отдельных состояний сети иуровнем энтропии всей сети. Это отношение соединяет классиче-скую динамику растущих неравновесных супер-мультиплексныхсетей с квантовыми статическими характеристиками чистых со-стояний сети, с квантовой информатикой. Частный случай много-слойной сети – дуплексная сеть, которая состоит из двух слоев(М=2) [1]. Важно, что узлы внутри каждого слоя такой сети (в от-личие от узлов двудольных однослойных сетей) взаимодействуютмежду собой [1]. Открытая Джинестой Бьянкони многослойнаяструктура по-новому объясняет наличие в сложных сетях кванто-воподобных свойств, может являться основой для моделированияреальных социальных сетей.

1. Bianconi G. Quantum multiplex networks described by coupledBose and Fermi statistics. 29 Jul 2014. arXiv:1407.7645.

2.Bianconi G. Percolation in networks of networks with randommatching of nodes in

dierent layers. 2014. arXiv:1411.4160.3. Boccaletti S., Bianconi G., Criado R., del Genio C. The

structure and dynamics of multilayer networks. 2014. Phys. Rep. 1.544 p.

4. Holme P., Saramäki J. Temporal Networks. 2013. Phys. Rep.519. 352 p.

5. D'Agostino G., Scala A. Networks of Networks: The LastFrontier of Complexity. 2014. 340 p.

Рис 1. Схематическое отображение временной многослойной сети

Рис. 2. Схематическое изображение многослойных сетей

Никонов Ю.В. Иностранные научные публикациипо соцсетям онлайн

1. Ahn Y., Bagrow J., Lehmann S. Link communitiesrevealmultiscale complexity in networks. Nature. 2010. 466. – Pp.761–764.

2. Alicea J, Oreg Y., Refael G., von Oppen F. and Fisher M. P. A.Non-Abelian statistics and topological quantum computation in 1Dwire networks. arXiv:1006.4395v1.

3. Anand K., Bianconi G., Severini S. The Shannon and the VonNeumann entropy of random networks with heterogeneous expecteddegree. 2010. ArXiv: 1011.1565v2.

4. Asano M., Basieva I., Khrennikov A., Ohya M., Yamato I. Ageneral quantum information model for the contextual dependentsystems breaking the classical probability law. 2011. ArXiv:1105.4769v1

5. Bagrow J., Wang D., Barabasi A.-L. Collective Response ofHuman Populations to Large-Scale Emergencies . 2011. LoS One 6:3.– P. 1-8.

6. Barrat A., Barthelemy M., Vespignani A. Dynamical processeson complex networks. Cambridge University Press. Cambridge UK –2008.

7. Barrat J., Bianconi G. Dynamical and bursty interactions insocial networks. Phys Rev. 2010. E 8. – P. 035101.

8. Barthelemy M. Spatial networks. Physics Reports. – 2011. 499.- Pp. 1- 101.

9. Basu P., Bar-Noy A., Ramanathan R., Johnson M. Modelingand analysis of time-varying graphs. 2010. ArXiv: 1012.0260.

12.Bianconi G, Coolen A., Perez-Vicente C. Entropies of complexnetworks with hierarchically constrained topologies. Phys Rev. 2008.E 78. – P. 016114.

13. Bianconi G., Pin P., Marsili M. Assessing the relevance ofnode features for network structure. Proc Natl Acad Sci USA. 2009.106. – Pp. 11433–11438.

14.Bianconi G., Raymede Ch. Quantum mechanical formalism forbiological evolution. arXiv:1011.1523v1

15.Bianconi G. Quantum multiplex networks described bycoupled Bose and Fermi statistics. 29 Jul 2014. arXiv:1407.7645.

16. Bianconi G. Percolation in networks of networks with randommatching of nodes in dierent layers. 2014. arXiv:1411.4160.

17.Blonder B., Dornhaus A. Time-ordered networks reveallimitations to information flow in ant colonies. PLoS One. – 2011.6:e20298.

18.Boccaletti S., Bianconi G., Criado R., del Genio C. Thestructure and dynamics of multilayer networks. 2014. Phys. Rep. 1.544 p.

19. Braha D., Bar-Yam Y. Time-dependent complex networks:dynamic centrality, dynamic motifs, and cycles of social interaction.In T. Gross and H. Sayama, editors, Adaptive networks: Theory,models and applications. Springer, Dordrecht. 2008. – Pp. 39-50.

20. Cabello A., Danielsen L., Lopez-Tarrida A., Portillo J.Quantum social networks. 2011. ArXiv: 1112.0617v1.

21. Casteigts A., Flocchini P., Quattrociocchi W., Santoro N.Time-varying graphs and dynamic networks. 2010. Arxiv: 1012:0009.

22. Castellano C., Fortunato S., Loreto V. Statistical physics ofsocial dynamics. Rev Mod Phys. 2009. 81. – Pp. 591- 646.

23.Castells М. The Information Age: Economy, Society andCulture: End of Milenium. Maiden (Ma.) Oxford: Blackwell Publ,1998.

24.Castells M. The Information Age: Economy, Society andCulture: The Rise of the Network Society. Maiden (Ma.) Oxford:Blackwell Publ., 1996.

25.Castells M. The Information Age: Economy, Society andCulture: The Power of Identity. Maiden (Ma.) Oxford: BlackwellPubl., 1997.

26. Cattuto C.et al. Dynamics of person-to-person interactionsfrom distributed RFID sensor networks. PLoS One. – 2010 5:e11596.

27. Cuquet M., Calsamiglia J.; Limited-path-length entanglementpercolation in quantum complex networks. Phys. Rev. 2011.A 83. – P.032319.

28. D'Agostino G., Scala A. Networks of Networks: The LastFrontier of Complexity. 2014. 340 p.

29. D-Wave Systems sells its first Quantum Computing System toLockheed

30. Martin. May 25, 2011 // Corporation/http://www.dwavesys.com/en/pressreleas.httl

31. Derrida B., Lebowitz J. L. // Phys. Rev. Lett. – 80, 1998/ –P.209.

32. Drucker P.P. Post-Capitalist Society. N.Y.: Harper-CollinsPubl., 1995.

33. Eagle N., Pentland A., Lazer D. Inferring Social NetworkStructure Using Mobile Phone Data. Proceedings of NationalAcademy of Sciences. 2009. 106 (36). – Pp. 15274–15278.

34. Easley D., Kleinberg J. Networks, crowds, and markets:reasoning about a highly connected world. Cambridge UniversityPress, Cambridge UK – 2010.

36. Ezhov A. A., Khrennikov A. Yu. On ultrametricity andsymmetry between Bose-Einstein and Fermi-Dirac systems // AIPConf. Proc.,– 826, issue 1, 2006. – P. 55–64.

38. Fortunato S.. Community detection in graphs. PhysicsReports. 2010.

486. – Pp. 75–174. 39. Gautreau A., Barrat A., Barthelemy M. Microdynamics in

stationary complex networks. Proc. Natl. Acad. Sci. USA. 2009. 106.– Pp. 8847– 8852.

40. Ghosh S. Distributed Systems: An Algorithmic Approach.Chapman & Hall. CRC, Boca Raton FL. – 2007.

41. Ghoshal G., Barabási A.-L. Ranking stability and super-stable nodes in complex networks // Nature Communications. 2011.2. – Рp. 1–7.

42. Goncalves B, Perra N., Vespignani A. Validation of Dunbar'snumber in Twitter conversations. 2011. ArXiv: 1105.5170v2.

43. Grindrod P., Parsons M., Higham D., Estrada E.Communicability across evolving networks. Phys. Rev. 2011. E, 81. –Pp. 046120.

44. Gross T., Blasius B. Adaptive coevolutionary networks: Areview. J. Roy. Soc. Interface. 2008. 5. – Pp. 259 – 271.

45. Guimei Zh. Et al. Uncovering Evolutionary Ages of Nodes inComplex Networks. 2011. ArXiv: 1107.1938v1.

46. Harrison J., Keating J., Robbins J. Quantum statistics ongraphs. 2011. ArXiv: 1101.1535v1.

47.Hil S., Braha D. Dynamic model of time-dependent complexnetworks. Phys. Rev. E. 2010. 82. – P. 046105.

48.Hillery, George A., Jr. Communal Organization; A Study of.Local Societies. Chicago, 111.: The University of. Chicago Press,1968

49. Hoffman R. Using Computational Patients to Evaluate IllnessMechanisms in Schizophrenia // Biological Psychiatry. V. 69. I. 10.2011. – Pp. 997-1005.

50. Holme P., Saramäki J. Temporal Networks. 2013. Phys.Rep. 519. 352 p.

51.Holmes D. (eds). Virtual Politics. Identity and Community inCyberspace. ‒L,: Sage. 1997.

52.Hooyberghsa H., Van Lombeeka S., Giuraniuca C., VanSchaeybroeck B. and Indekeua J. O. Ising model for distributionnetworks. 2011. arXiv:1105.5329v1

53. Hooyberghsa H. et al. Ising model for distribution networks.2011. ArXiv: 1105.5329v1

54. Iribarren J., Moro E. Impact of human activity patterns on thedynamics of information diffusion. Phys. Rev. Lett. 2009. 103. –P.038702.

55. Isella L. et al. Whats in a crowd? analysis of faceto-facebehavioral networks. Journal of Theoretical Biology. 2011. 271. – Pp.166-180.

56. Jackson M. Social and economic networks. PrincetonUniversity Press, Princeton NJ. – 2008.

57. Jo H.-H., Karsai M., Kertesz J., Kaski K. Circadian patternand burstiness in human communication activity. 2011. ArXiv:1101.0377.

58. Kamp C. Untangling the interplay between epidemic spreadand transmission network dynamics. PLoS Comp. Biol. – 2010.6:e1000984.

59. Karsai M. et al. Small but slow world: How network topologyand burstiness slow down spreading. Phys. Rev. 2011. E. 83. – P.025102.

60. Kimble H. The quantum internet; Nature (London). 2008.453. – P. 1023.

61. Kolar M., Song L., Ahmed A., Xing E. Estimating time-varying networks. Annals of Applied Statistics. 2010. 4. Pp. 94 - 123.

62. Korepin V., Xu Y. Entanglement in Valence-Bond-SolidStates. International Journal of Modern Physics B. 2010. 24. – Pp.1361- 1440.

63. Kossinets G., Kleinberg J., Watts D. The structure ofinformation pathways in a social communication network. In Proc.14th ACM SIGKKD Intl. Conf. on Knowledge Discovery and DataMining. 2008. – Pp. 435-443.

64. Kostakos V. Temporal graphs. Physica A. 2009. 388. –Pp.1007-1023.

65. Kovanen L. et al. Temporal motifs in time-dependentnetworks. 2011. ArXiv: 1107.5646.

66. Kuhn F., Oshman R. Dynamic networks: Models andalgorithms. ACM SIGACT News. 2011. 42. – Pp.82 - 96.

67. Kuwata Y. Decomposition algorithm for global reachabilityanalysis on a time-varying graph with an application to planetaryexploration. In International Conference on Intelligent Robots andSystems. – 2009.

68. Kwak H., Lee C., Park H., Moon S. What is Twitter, a socialnetwork or a news media? In Proceedings of the 19th InternationalWorld Wide Web Conference. – 2010.

69. Lahiri M., Berger-Wolf T. Mining periodic behavior indynamic social networks. In Eighth IEEE International Conference onData Mining. – 2008.

70. Lamouline C/, PouUet Y. From Information Superhighways to«Electronic Democracy». The Impact of New Information andCommunication Technologies on the Fundamental Freedoms.-Strasbourg: Council of Europe. 1995. P. 5.

71. Lauritzen B. et al. «Telecommunication-Wavelength Solid-State Memory at the Single Photon Level»; Phys. Rev. Lett. 2010.104. – P. 080502.

73. Lee S., Rocha L., Liljeros F., Holme P. Exploiting temporalnetwork structures of human interaction to effectively immunizepopulations. 2010. ArXiv:1011.3928.

74. Liben-Nowell D., Kleinberg J. Tracing information flow on aglobal scale using Internet chain-letter data. Proc. Natl. Acad. Sci.USA. 2008. 105. – Pp.4633-4638.

75. Liljeros F. Et al. The web of human sexual contacts. Nature.2001. 411. – Pp. 907- 908.

76. Malmgren R., Stouer D., Campanharo A., Amaral L. Onuniversality in human correspondence activity. In Science. 2009. – Pp.1696-1700.

77. Marceau V. et al. Adaptive networks: coevolution of diseaseand topology. 2010. ArXiv: 1005.1299v1.

78. Masuda Y. The Information Society as Post-Industrial Society.Wash., 1981.

79. Min B., Goh K.-I., Vazquez A. Spreading dynamics followingbursty human activity patterns. 2010. ArXiv: 1006.2643.

80. Miritello G., Moro E., Lara R. The dynamical strength ofsocial ties in information spreading. Phys. Rev. E. 2011. 83. – P.045102.

81. Mucha P. et al. Community structure in time-dependent,multiscale, and multiplex networks. Science. 2010. 328. – Pp.876-878.

82. Newman M. Networks: An introduction. Oxford UniversityPress, Oxford UK. – 2010.

83. Onnela J.-P. et al. Structure and ties strengths in mobilecommunication networks. Proc. Natl. Acad. Sci. USA. 2007. 104. – P.7332.

84. Pan R., Saramaki J. Path lengths, correlations, and centralityin temporal networks. 2011. ArXiv: 1101.5913.

85. A. Panisson et al. On the dynamics of human proximity fordata diffusion in ad-hoc networks to appear in Ad Hoc Networks.2011. arXiv: 1106.5992v1

86. Paparo G., Martin-Delgado M. Google in a QuantumNetwork. 2011. ArXiv: 1112.2079v1

87. Park Y., Moore C., Bader J. Dynamic networks fromhierarchical Bayesian graph clustering. PLoS One. – 2010. 5:e8118.

89. Perseguers S. et al. Entanglement distribution in pure-statequantum networks. Phys. Rev. A. 2008. 77. – P. 022308.

90. Perseguers S., Lewenstein M., Acín A., Cirac J. Quantumrandom networks. Nature Physics. – 2010. DOI.10.1038/NPHYS1665.

91.Poster M. The Second Media Age. – Cambridge: Polity Press.1995.

92. Przytycka T., Slonim M. Toward the dynamic interactome: It’sabout time. Briefings in Bioinformatics. 2010. 11. – Pp. 15-29.

93. Prokopenko M. (Ed.) Advances in Applied Self-organizingSystems. 1st Edition. 2008. XII – 376 p.

94. Rybski D. et al. Scaling laws of human interaction activity.Proc Natl Acad Sci USA.2009. 106. – Pp. 12640 - 12645.

95. Rocha L., Liljeros F., Holme P. Information dynamics shapethe sexual networks of internet-mediated prostitution. Proc. Natl.Acad. Sci. USA. 2010. 107. – Pp.5706 - 5711.

96. Rocha L., Liljeros F., Holme P. Simulated epidemics in anempirical spatiotemporal network of sexual contacts. PloS Comp.Biol. – 2011. 7:e1001109.

97. Rosvall M., Bergstrom C. Mapping change in large networks.PLoS One. – 2010. 5:e8694.

98. Sangouard N., Simon Ch., de Riedmatten H., Gisin N.Quantum repeaters based on atomic ensembles and linear optics; Rev.Mod. Phys. 2010. 83. – P. 3380.

99. Santoro N. et al. Time-varying graphs and social networkanalysis: temporal indicators and metrics. 2011. ArXiv: 1102.0629.

100. Simon C. et al. Quantum Memories. A Review based on theEuropean Integrated Project «Qubit Applications (QAP)». TheEuropean Physical Journal. 2010. D 58. – Pp. 1-22.

101. Shuai X. et al. Does Quantum Interference exist in Twitter?2011. ArXiv: 1107.0681v1.

102. Snijders T., Koskinen J., Schweinberger M. Maximumlikelihood estimation for social network dynamics. The Annals ofApplied Statistics. 2010. 4. – Pp.567–588.

103. Snijders T., van de Bunt G., Steglich C. Introduction tostochastic actor-based models for network dynamics. Social Networks.2010, 32. – Pp.44-60.

104. Song C., Qu Z., Blumm N., Barabási A.-L. Limits ofPredictability in Human Mobility. 2010. Science 327. – Pp. 1018-1021.

105. Song C., Koren T., Wang P., Barabási A.-L. Modelling thescaling properties of human mobility. Nature Physics (AdvancedOnline Publications). 2010. 7. – P. 713.

106.. Stehle J., Barrat A., Bianconi G. Dynamical and burstyinteractions in social networks. Phys. Rev. E. 2010. 81. – P. 035101.

107. Stehle J. Vanhems. Simulation of an SEIR infectious diseasemodel on the dynamic contact network of conference attendees. BMCMedicine. 2011. 9. – P.87.

108. Takaguchi T. Predictability of conversation patterns. 2011.Arxiv: 1104.5344.

109. Tang J., Musolesi M., Mascolo C., Latora V. Temporaldistance metrics for social network analysis. In Proceedings of the 2ndACM SIGCOMM Workshop on Online Social Networks. – 2009.

110. Tang J. Small-world in time-varying graphs. Phys. Rev. E.2010. 81.– P. 055101.

111. Tantipathananandh C., Berger-Wolf T., Kempe D. Aframework for community identification in dynamical socialnetworks. In Proceedings of the 13th ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining. 2007. – Pp.717–726.

112. Trebst S., Ardonne E., Feiguin A., Huse D.A., LudwigA.W.W., Troyer M. Collective States of Interacting FibonacciAnyons // Phys. Rev. Lett. 101, 2008. – P. 050401– 050401-4.

113. Turova T. Dynamical random graphs with memory. Phys.Rev. 2002. E.65. – P. 066102.

114. Ueno T., Masuda N. Controlling nosocomial infection basedon structure of hospital social networks. J. Theor. Biol. 2008. 254. –Pp. 655- 666.

115. Valencia M., Martinerie J., Dupont S., Chavez M. Dynamicsmall-world behavior in functional brain networks unveiled by anevent-related networks approach. Phys. Rev. E. 2008. 77. – P. 050905.

116. Wang Y., Xiao G., Liu J. Dynamics of competing ideas incomplex social systems. 2011. ArXiv: 1112.5534v1.

117. Wiersma D. Random Quantum Networks. 2010. Science327. – P. 1333.

118. Wright R. Statistical structures underlying quantummechanics and social science. 2003. ArXiv: quant-ph/0307234.

119. Wu Y. Evidence for a bimodal distribution in humancommunication. Proc. Natl. Acad. Sci. USA. 2010. 107. – Pp. 18803-18808.

120. Wung – Hong Huang. Boson-fermion transmutation and thestatistics of anyon. // Phys. Rev., E 51, 1995. – P. 3729 - 3730.

121. Yukie S. et al. Empirical analysis of collective humanbehavior for extraordinary events in Blogosphere. 2011. ArXiv:1107.4730v1

122. Zhao K. et al. Modeling Emerging Coalitions in the contextof Inter-organizational Networks: A Case Study of HumanitarianCoordination, International Journal of Intelligent Control and SystemsResearch. 2009. 14. 1. – Pp. 97-103.

123. Zhao K, Stehlé J., Bianconi G., Barrat A. Social networkdynamics of face-to-face interactions. Phys Rev. 2010. E 83. – P.056109.

125. Zhao K, Bianconi G. Social interactions model andadaptability of human behavior. Front. Physio. 2011. 2. – P.101.

126. Zhao K., Halu A., Severini S., Biancon G. Entropy rate ofnonequilibrium growing networks. Phys. Rev. 2011. E 8 4 . – P.066113.

127. Zhao, K., Kumar, A., Harrison, T., Yen. J. Analyzing theResilience of Complex Supply Network Topologies against Randomand Targeted Disruptions. IEEE Systems Journal. 2011. 5. 1. – Pp. 28-39.

Никонов Ю.В., Чураков В.С. Фильмы о социальных сетях

Социальная сеть (В фильме рассказывается история созда-ния одной из самых популярных сетей социальных сетей в Ин-тернете – Facebook. Оглушительный успех этой сети средипользователей по всему миру навсегда изменил жизнь студентов– однокурсников гарвардского университета, которые основали еёв 2004 году и за несколько лет стали самыми молодыми мульти-миллионерами в USA.

Режиссер: Дэвид Финчер.Сценарий: Аарон Соркин, Бен Ме-зрич.

Композиторы: Трент Резнор, Аттикус Росс. Продюсеры:Дэна Брунетти, Чен Чаффин, Майкл Де Лука. Оператор: ДжефКроненвет. В ролях: Джесси Айзенберг, Эндрю Гарфилд, Джа-стин Тимберлейк, Эрми Хаммер, Макс Миногелл, Руни Мара.Жанр: драма. Производство: USA, COLUMBIA PICTURES.Продолжительность: 120 минут, 2010 год.).

ЧАТ. Социальная сеть (Режиссер: Хидео Наката («Звонок»,«Хаос»). Сценарист: Энда Уолш («Голод»). Композитор: КэндзиКавай. В ролях: Аарон Джонсон («Иллюзионист», «Пипец»),Имоджен Путс («Сексоголик»), Мэттью Бирд («Воспитаниечувств»), Ханна Мюррей, Дэниел Калуя. Жанр: психологическийтриллер.

Подростки Джим, Ева, Эмили и Мо познакомились и подру-жились в чате. Они все в восторге от их нового сетевого знако-мого – Уильяма, который вызывается отучить джима от пристра-стия к антидепрессантам. Но вскоре друзья понимают, что Уи-льям просто манипулирует ими, а Джим дожен стать очереднойжеотвой его смертоносной игры. Чтобы избежать ловушек и спа-сти своего друга, ребята дожны выйти из безопасного мира он-лайновской болтовни, познакомится друг с другом и противосто-ять Уильяму в оффлайне, где реальны и опасность, и смерть.

Производство: Великобритания. Продолжительность: 95 ми-нут, 2010 год).

Как я дружил в социальной сети (Режиссер: ГенриДжуст, Эриель Шульман. Продюсер: Эндрю Джареки, генри

Джуст, Эриель Шульман. Композитор: Марк Мазерсбо. Монтаж:Захари Стюарт-Понье. Жанр: документалбный, драма. Мироваяпремьера: 22 января 2010 года. Премьера в России: 14 апреля2010 года. Страна: USA. Продолжительность: 94 минуты.

Однажды нью-йоркский редактор Нев, познакомившисьс юной художницей и ее мамой, случайно зафрендил в социаль-ной сети ее старшую сестру Меган Фаччио. Так началась онлайн-дружба Нева и Меган, развитие которой решили задокументиро-вать на видео два молодых режиссера. Приятный флирт превращается в горячее желание Нева перейти«из онлайна в реал» в отношениях с красоткой. Но растет и подо-зрение, что Меган – не та, за кого себя выдает. Чтобы узнать прав-ду, трое друзей решаются на путешествие, которое изменитих жизнь навсегда.)

\Download: The True Story of the Internet (США, 2008)(Подлинная история Интернета) (4 серии).

Режиссер: Джон ХайлеманВ ролях: Джон Хайлеман и другие известные личности в сфе-

ре интернета Уникальный научно-популярный сериал о том, как Интернет

изменил нашу жизнь. Четыре серии с Джоном Хейлманом: неве-роятные истории о том, как 20-летние студенты зарабатывали итратили целые состояния за ночь, рассказывают сами герои.

Pro Рунет: Социальные Сети (Россия, 2011Полный «откровений» фильм о том, как социальные сети

влияют на нашу жизнь, и как государство контролирует нас с по-мощью Facebook и Twitter.

Life in a Day (США и Великобритания, 2001)«Исторический киноэксперимент», состоящий из десятков

роликов пользователей YouTube.

Startup.com (США, 2001)Фильм о двух друзьях, Калейле Исазе Тузмане и Томе Герма-

не, и их стартапе, знаменитом сайте GovWorks.com. Миллионыдолларов, разрушенная дружба и крах американской мечты вкомплекте.

We Live in Public (США, 2009)История Джоша Харриса, одного из пионеров Интернета, ав-

тора беспрецедентного эксперимента. По его замыслу, около 100художников в подземном бункере в самом центре Нью-Йоркадолжны снимать live-видео круглосуточно. Проект провалился,но Джош решил не останавливаться. И подверг испытанию своюжизнь.

Пираты Силиконовой долины (США, 1999)История о двух «акулах бизнеса», Джобсе и Гейтсе, расска-

занная их друзьями, Возняком и Балмером.

Chatroom (Великобритания, 2010)Неплохой триллер о том, что не стоит заговаривать с незна-

комцами. Даже в чате. Фильм, повлиявший на авторов законода-тельной инициативы верификации с помощью паспорта в Интер-нете.

Antitrust (США, 2001)Хороший парень, гений-программист бросает вызов огром-

ной корпорации, бесчеловечная машина которой переламываетмужские сердца. История о победе молодого человека над миро-вым злом.

Сеть (США, 1995)Непонятно, что предпочитает Нортэм ‒ красоток или фанта-

стику. Но фильмы с ним от этого хуже не становится. Картина отом, что не стоит забывать о реальной жизни. Иначе можно и по-терять себя в Сети. Навсегда.

Хакеры (США, 1995)«Ха́керы» (англ. Hackers) — триллер про хакеров. В фильме

снялась ещё юная Анджелина Джоли. В России фильм распро-странялся на подпольных видеокассетах в авторских одноголосыхпереводах Петра Карцева и Сергея Визгунова, а с 1996 года — налицензионных VHS с дубляжем Varus Video.

Страна: СШАСлоган: «Their only crime was curiosity».Режиссер: Айэйн Софтли

Сценарий: Rafael MoreuПродюсер: Джанет Грэхэм, Майкл Пейсер, Селвин РобертсОператор: Андржей СекулаКомпозитор: Саймон Босвелл, Карл Кокс, Лайам ХоулеттЖанр: боевик, триллер, криминалСборы в США: $7 563 728Мировая премьера: 15 сентября 1995Время: 107 минВ ролях:Джонни Ли Миллер, Анджелина Джоли, Джесси Брэдфорд,

Мэттью Лиллард, Лоуренс Мэйсон, Реноли Сантьяго, Фишер Сти-венс, Альберта Уотсон, Даррен Ли, Питер Й. Ким

сюжет:Развлекаясь манипуляциями в коммерческих сетях, начинаю-

щий хакер делает почти невозможное: взламывает защиту секрет-ного компьютера Гибсон в корпорации Эллингсон. При этом онслучайно подключается к схеме хищения средств, искусно замас-кированной кем-то под компьютерный вирус, действие которогоможет привести к глобальной экологической катастрофе. Моло-дой хакер и его приятели в доли секунды превращаются в подо-зреваемых. Охоту за ними начинает ФБР и главный компьютер-щик корпорации Эллингтон по кличке Чума (Фишер Стивенс).Однако молодые хакеры раскрывают губительность истинныхпланов Чумы и объединяют свои технические знания, чтобы запу-стить массированную киберпространственную атаку, котораядолжна очистить их от подозрений и предотвратить экологиче-скую катастрофу.

Кодер (США, 2002)Стильный фильм про красоток, шпионаж и хакеров. Нортэм

невероятно хорош, а Лью просто неотразима. Если вы думаете,что за 7.5 млн долларов невозможно снять грамотную и хорошуюфантастику – вы ошибаетесь.

Черное зеркало (Великобритания, 2011)Британский мини-сериал о том, как современные интер-

нет-технологии изменили нашу жизнь. И отнюдь не в лучшуюсторону. Увлекательная трилогия состоит из несвязанных между

собой эпизодов, которые переполнены сатирой на зависимых отсовременных технологий людей, т. е. на нас с вами.

Пульс (США, 2006)Мобильная связь, Интернет, wi-fi ‒ все это делает ближе не

только родных, друзей и любимых. Все это приближает мир мерт-вых к миру живых.

Жуткий фильм с няшкой Сомерхолдером о том, что призракиобитают не только в старых замках, но и в сети.

Авторефераты статей, опубликованных в сборнике

УДК 004.77:316.35Никонов Ю. В., Гусев Н.И., Чураков В.С. Элементы тео-

рии Лефевра и фазовые переходы в онлайновых социальныхсетях// Социальные сети: моделирование временных и кван-товоподобных свойств: Сб. научн. трудов / Под ред. В.С. Чура-кова (Спецвыпуск серии «Библиотека времени»).– Ново-черкасск: Изд-во ‹‹НОК››, 2015. – С. 5-17

Во всем мире растет интерес к изучению свойств онлайновыхсоциальных сетей в контексте информационного управления ипротивоборства. Многоагентная модель А.А. Ежова и А.Ю. Хрен-никова – пример моделирования эволюционирующей сети, при-менимый к динамике социальных сетей, в том числе ─ сетей ин-тернета. Согласно модели, в обществе с резко неравномернымпредложением материального ресурса, у агентов возникают спе-цифические для них кодировки памяти. Неравенство доступа кинтернет-ресурсам – онлайновым социальным сетям может, в со-ответствии с данными Ежова и Хренникова вести к фазовомупереходу с резким сдвигом установок, поведения масс людей.

Библ.: 42 наим.

УДК [004.77:316.35]:303.09Никонов Ю. В., Чураков В.С. Когнитивное моделирова-

ние на основе рефлексивных игр Лефевра в онлайновых со-циальных сетях// Социальные сети: моделирование времен-ных и квантовоподобных свойств: Сб. научн. трудов / Под ред.В.С. Чуракова (Спецвыпуск серии «Библиотека времени»).– Но-вочеркасск: Изд-во ‹‹НОК››, 2015. – С. 18-28

В работе описывается моделирование эволюции онлайновыхсоциальных сетей с применением концепции рефлексивных игрВ.А, Лефевра, многоагентной модели А.А. Ежова и А.Ю. Хренни-кова. Социальные сети могут иметь КП свойства статистик Бозе –Эйнштейна, Ферми – Дирака, анионов. Предполагается с цельюмоделирования некоторых КП аспектов социальных сетей исполь-зовать математический аппарат топологических квантовых фазо-вых переходов квазичастиц в 2-D системах (что возможно при по-мощи «обычных», неквантовых компьютеров). Возможно, именно

в этой сфере оптимально моделирование перехода к когнитивной,постсингулярной фазе развития человеческого общества.

Библ. 21 наим.

УДК 519.17Никонов Ю.В., Чураков В.С. Моделирование временных

социальных сетей (Аналитический обзор литературы)// Соци-альные сети: моделирование временных и квантовоподобныхсвойств: Сб. научн. трудов / Под ред. В.С. Чуракова (Спецвы-пуск серии «Библиотека времени»).– Новочеркасск: Изд-во‹‹НОК››, 2015. – С. 29-45

Исследование временных моделей социальных сетей, их ха-рактерных особенностей значимо и с теоретических, и с чистопрактических позиций (не случайно появился новый термин –«сетевые революции»). Для объяснения наблюдаемых времен-но-топологических корреляций перспективны разработки адап-тивных моделей сети, использование их квантовоподобных (КП)свойств. Несмотря на технические трудности, ожидается введе-ние в широкую практику квантовых сетей. Моделирование вре-менной структуры социальных сетей – эффективный инструментдля прикладных междисциплинарных исследований.

УДК 519.17:[004.77:316.35]Никонов Ю.В., Гусев Н.И., Чураков В.С. Современные

технологии социальных сетей онлайн (обзор иностранных ис-следований)// Социальные сети: моделирование временных иквантовоподобных свойств: Сб. научн. трудов / Под ред. В.С.Чуракова (Спецвыпуск серии «Библиотека времени»).– Ново-черкасск: Изд-во ‹‹НОК››, 2015. – С. 46-60

Представляемая работа – аналитический обзор современнойанглоязычной литературы по теме квантовых и квантовоподоб-ных (КП) свойствах социальных сетей. Для объяснения наблюда-емых временно-топологических корреляций в социальных сетяхперспективны разработки адаптивных моделей сети, использова-ние их КП свойств. Несмотря на технические трудности, ожида-ется введение в широкую практику квантовых сетей. Моделиро-вание КП структуры социальных сетей – эффективный инстру-мент для прикладных междисциплинарных исследований, в

частности – разработки квантовых поисковых алгоритмов, такихкак Quantum rank (QR).

УДК 316.35Никонов Ю.В. Темпоральность в онлайновых социаль-

ных сетях// Социальные сети: моделирование временных иквантовоподобных свойств: Сб. научн. трудов / Под ред. В.С.Чуракова (Спецвыпуск серии «Библиотека времени»).– Ново-черкасск: Изд-во ‹‹НОК››, 2015. – С. 61-86

Предполагается с целью моделирования квантовоподобныхаспектов социальных сетей использовать математический аппараттопологических квантовых фазовых переходов квазичастиц в 2-Dсистемах (что возможно при помощи «обычных», неквантовыхкомпьютеров). Возможно, именно в этой сфере оптимально моде-лирование перехода к когнитивной, постсингулярной фазе разви-тия человеческого общества. Социальные сети – могут послужитьосновой для организации рефлексивно-активных сред инноваци-онного развития с соответствующими технологиями. Социальныесети – частный случай активных сред инновационного развития,ориентированных на множественные распределенные источникиинноваций. Вышеуказанные положения, кроме теоретическогозначения могут послужить вкладом в фундамент VII социогума-нитарного технологического уклада в России.

Библ. 3 наим.

Сведения об авторахГусев Николай Иванович, кандидат социологических

наук, профессор кафедры «Индустрия туризма и гостеприим-ства»

ФГБОУ ВПО «Донской государственный университет»Института сферы обслуживания и предпринимательства (фили-ал) в г. Шахты.

Никонов Юрий Викторович, врач-психиатр высшей квали-фикационной категории ФГБУЗ МСЧ №59 ФМБА России, г. За-речный Пензенской области.

Чураков Вадим Сергеевич, базовое образование: горныйинженер-электрик, Шахтинский филиал НПИ в 1987 году, канди-дат философских наук, доцент. Область научных интересов: изу-чение феномена времени, многозначные и многомерные булевы инебулевы алгебры логики А.В.Короткова в информатике и искус-ственном интеллекте, философский анализ онлайновых социаль-ных сетей. Научный редактор серий «Библиотека времени» и«Семимерная парадигма А.В. Короткова в информатике, искус-ственном интеллекте и когнитологии».

Содержание

ВВЕДЕНИЕ.................................................................................................................................................3

Элементы теории Лефевра и фазовые переходы в онлайновых социальных сетях........................5

©Никонов Ю. В., Гусев Н.И., Чураков В.С., 2015...................................................................................5

Когнитивное моделирование

на основе рефлексивных игр Лефевра

в онлайновых социальных сетях.........................................................................................................18

©Никонов Ю. В., Чураков В.С., 2015 .................................................................................................18

Моделирование временных социальных сетей (аналитический обзор литературы)....................29

©Никонов Ю.В., Чураков В.С., 2015 ....................................................................................................29

Современные технологии социальных сетей онлайн (обзор иностранных исследований)..........47

©Никонов Ю.В., Гусев Н.И., Чураков В.С., 2015..................................................................................47

Темпоральность

в онлайновых социальных сетях.........................................................................................................62

Приложение I. ..................................................................................................................................75

Никонов Ю.В. Иностранные научные публикации по соцсетям онлайн.......................................79

Никонов Ю.В., Чураков В.С.

Фильмы о социальных сетях................................................................................................................88

Авторефераты статей, опубликованных

в сборнике.............................................................................................................................................93

Сведения об авторах.............................................................................................................................96

Содержание...........................................................................................................................................97

Научное издание_____________________________________________

СОЦИАЛЬНЫЕ СЕТИ:моделирование временных

и квантовоподобных свойствСборник научных трудов

(Спецвыпуск серии «Библиотека времени»)Под науч. ред. В.С. Чуракова

Работы печатаются в авторской редакции

Техн. ред.: Г.А. Еримеев

Издательство «НаукаОбразованиеКультура»346430 Новочеркасск, ул. Дворцовая, 1.

Подписано в печать 12.01.2015 г.Формат 60x84 1/16. Бумага офсетная. Печать цифровая.

Печ. л. 6. Тир. 100 экз.Отпечатано ООО НПП «НОК»

346428 Новочеркасск, ул. Просвещения, 155А.

СОЦИАЛЬНЫЕ...

Documents